View metadata, citation and similar papers at core.ac.

uk brought to you by CORE

provided by Savoirs UdeS

Université de Sherbrooke
École de Gestion

Délestage électrique et Performance des firmes au Burundi :

La taille des firmes importe-t-elle?

Par
Martine Ngabirano

Sous la direction de Jonathan Goyette

Département d’Économie
Mémoire présenté en vue de l’obtention du grade de Maître en Science (M.Sc.)

Janvier 2020
© Martine Ngabirano, 2020

i
 Université de Sherbrooke

École de Gestion

Délestage électrique et Performance des firmes au Burundi :

La taille des firmes importe-t-elle?

Par
Martine Ngabirano

a été évaluée par un jury composé de personnes suivantes :

Jonathan Goyette, Directeur de recherche

Dorothée Boccanfuso, membre du Jury

Valérie Vierstraete, membre du Jury

ii
 Sommaire
La littérature montre que le délestage électrique est une contrainte à la rentabilité dans les pays en
développement (Doe et Asamoah, 2014; Bowen, Morara et Mureithi, 2009; Hseih et Klenow,
2012). Les chercheurs ont dévoilé que le délestage crée des pertes de ventes non écoulées1 et des
coûts2 additionnels d’exploitation. Dans ce mémoire, nous examinons la façon dont le délestage
affecte la performance des firmes. Notre base de données vient de World Bank Enterprise Survey’s.
Elle résulte d’une enquête de 2006 sur le climat des affaires des manufactures. Elle comprend 102
entreprises et 575 variables en coupe transversale. Notre méthodologie est une étude de la densité
linéaire locale3 (McCrary, 2008). Cette méthode permet de conduire une étude de l’écart entre
groupes de firmes par le biais de différences en coefficients. Nos résultats révèlent un bris dans la
densité à 20 employés qui est probablement dû au délestage. L’implication de notre analyse est que
les décideurs gagneraient à investir à l’accès pour tous aux générateurs électriques. De la sorte, ils
stimuleraient la performance des producteurs majoritaires d’un pays en développement.

Mots-clés : délestage, taille des firmes, qualité de l’infrastructure électrique, performance des firmes

1
Abeberese, AB. Ackah C. et Asuming, P. (2017). Productivity losses and firm responses to electricity shortages:
Evidence from Ghana, International Growth Center, Unpublished work, E-33305-GHA-1.
2
Zuberi, J. (2012). Estimating the Cost of Power Outages for Large Scale Manufacturing Firms, Berkeley, CA:
University of California, USA Unpublished work.
3
Notre traduction. Terme tiré de McCrary(2008), p.1

iii
Remerciements et Dédicaces

Par le biais de ce mémoire, j‘adresse mes plus sincères remerciements à toute personne ayant
contribué à son élaboration.

Je remercie mon directeur de recherche, le Professeur Jonathan Goyette. Ses conseils et ses
suggestions ont contribué grandement à perfectionner ce mémoire. Ce travail est un hommage à la confiance
qu’il m’a accordée. Je lui présente un profond sentiment de respect et de gratitude pour sa disponibilité et
son encadrement.

Je remercie les Professeures membres du jury Dorothée Boccanfuso et Valérie Vierstraete. Leurs
retours constructifs et leurs commentaires de correction m’ont aidé à mûrir mon esprit critique.

Je remercie le Professeur Léonce Ndikumana4. Son appui exceptionnel était important. Son intérêt
pour le sujet en tant que lecteur libre a contribué à préciser l’objet du mémoire.

Mes sincères remerciements vont enfin à l’endroit de ma famille pour leurs encouragements à la
persévérance, à la patience et à l’attitude positive.

Je déclare que le présent travail est une œuvre originale, n’ayant jamais été publiée ni soumise à
toute autre institution.

4
Le Professeur Ndikumana est directeur de African Development Policy Program Political Economy Research Institute
(PERI), président et Professeur du Département d’Économie, University of Massachusetts - Amherst.

iv
À mon époux, ma fille, mes parents, mon frère et mes sœurs,

Je dédie ce mémoire.

v
Table de matières
Sommaire ............................................................................................................................................................................... iii
Remerciements et Dédicaces................................................................................................................................................. iv
Table de matières................................................................................................................................................................... vi
Liste de sigles, graphiques et tableaux................................................................................................................................ viii
1. Sigles ..................................................................................................................................................................viii
2. Graphiques ........................................................................................................................................................viii
3. Tableaux............................................................................................................................................................... ix
SECTION 1 : INTRODUCTION.............................................................................................................................................. 1
SECTION 2 : REVUE DE LA LITTÉRATURE ....................................................................................................................... 5
2.1. DÉFINITIONS ...................................................................................................................................................... 5
2.2. LES PAYS EMÉRGENTS .....................................................................................................................................9
2.3. LES PAYS EN DÉVELOPPEMENT ....................................................................................................................11
2.4. LE DÉLESTAGE ................................................................................................................................................. 16
2.5. CONCLUSION .................................................................................................................................................... 18
SECTION 3 : DONNÉES ET MÉTHODOLOGIE ................................................................................................................20
3.1. DONNÉES ......................................................................................................................................................... 20
3.2. MÉTHODOLOGIE .............................................................................................................................................25
3.3. MODÈLES ET HYPOTHÈSES ........................................................................................................................... 27
3.4. ANALYSE STATISTIQUE ................................................................................................................................. 30
3.4.1 Introduction................................................................................................................................... 30
3.41. Tableau I : Statistique descriptive. ............................................................................................... 33
SECTION 4 : RÉSULTATS ................................................................................................................................................... 34
4.1. ANALYSE DE LA DISCONTINUITÉ .................................................................................................................34
4.1.1. Analyse graphique. ........................................................................................................................ 35
4.1.2. Hypothèses .....................................................................................................................................38
4.1.3. Tableau II : Test de discontinuité..................................................................................................38
4.1.4. Conclusion ...................................................................................................................................... 41
4.2. ANALYSE DE L’ÉGALITÉ DES MOYENNES ...................................................................................................42
4.2.1. Hypothèses .....................................................................................................................................42
4.2.2. Tableau III : t-test ..........................................................................................................................43
4.2.3. Conclusion ......................................................................................................................................44
4.3. ANALYSE DES RÉSULTATS DES RÉGRESSIONS..........................................................................................45
4.3.1. Introduction.................................................................................................................................... 45
4.3.2. Tableau IV : Différences en coefficients........................................................................................46
4.3.1. Conclusion ...................................................................................................................................... 47
4.4. ÉTUDE DU BRIS DANS LA DENSITÉ..............................................................................................................49
4.4.1. Tableau V : t-test pour les déterminants du délestage ................................................................49
4.4.2. Comparaison : tableau III et tableau V ........................................................................................50
4.5. ROBUSTESSE..................................................................................................................................................... 51
SECTION 5 : CONCLUSION ................................................................................................................................................ 52

vi
RÉFÉRENCES BIBLIOGRAPHIQUES ................................................................................................................................ 54
ANNEXES ............................................................................................................................................................................... 1
A.1. Liste des villes étudiées et des secteurs d’activité des firmes : .................................................................... 1
A.2. Analyse graphique : ...................................................................................................................................... 1
A.2.1. Introduction........................................................................................................................................... 3
A.2.2. Étude des graphiques. .......................................................................................................................... 5
A.2.3. Implications économétriques. .............................................................................................................. 9
A.3. Autres tests non paramétriques : ................................................................................................................11
A.3.1. Corrélation, homogénéité et endogénéité. ......................................................................................... 14
A.3.1.1. Calcul du coefficient de corrélation. ............................................................................................ 14
A.3.1.2. Test d’homogénéité (de Levene, de Brown-Forsythe et de Pitman-Morgan). .......................... 16
A.3.1.3. Test d’endogénéité (d'Hausman). ............................................................................................... 18
A.3.2. Normalité, hétéroscédasticité et multi-colinéarité. ......................................................................... 20
A.3.2.1. Test de normalité (de Jarque-Bera) et de corrélation. .............................................................. 20
A.3.2.2. Tests d’hétéroscédasticité (White et Breusch-Pagan)................................................................ 21
A.3.2.3. Multi-colinéarité : Facteur d’inflexion de la variance et corrélation sérielle. ...........................22
A.3.3. Sélection, consistance et correction du modèle. ................................................................................24
A.3.3.1. Critères de sélection : AIC et BIC. ...............................................................................................24
A.3.3.2. Tests de Consistance (testparm) et de sur-identification (Ramsey). ........................................24
A.3.3.3. Test de Wald et correction de Bonferroni................................................................................... 25
A.3.4. Conclusion. .......................................................................................................................................... 27
A.4 Intercept ....................................................................................................................................................... 27

vii
Liste de sigles, graphiques et tableaux

1. Sigles
ALDC: Africa, Least Developed Countries and Special Programs

CCNMO : Centre de collaboration nationale des méthodes et outils

EAC : East African Community

EEC : Étude Économique Conseil

GMM: Generalized Methods of Moments

ISTEEBU: Institut de Statistiques et d’Études Économiques du Burundi

IWH: Institute for Work and Health

LOG : Logarithme

MCO: Moindres Carrés Ordinaires

ODD : Objectifs de Développement Durable

PME: Petites et Moyennes Entreprises

PNUD : Programme des Nations Unies pour le Développement

PTF : Productivité Totale des Facteurs

RD: Regressions Discontinuity

REGIDESO : Régie de Production et de Distribution d'Eau et d'Électricité

sd: Standard deviations

TFP: Total Factor Production

WBES: World Bank Enterprise Survey’s

2. Graphiques
Figure 1: Nombre d'abonnés en électricité par centre régional urbain

Figure 2: Évolution de la consommation et de la production d'électricité au Burundi

Figure 3: Graphiques LOWESS : Pertes de chiffre d’affaires associées au délestge

Figure 3': Log des pertes dues aux coupures - Densité de Kernel

viii
Figure 4: Graphique LOWESS : Coûts variables additionnels d’exploitation issus de l’usage de
générateurs

Figure 4': Log des coûts variables issues de l'usage de générateurs - Densité de Kernel

Figure 5: Log des pertes dues aux coupures - Histogrammes

Figure 5': Log des coûts variables issues de l'usage de générateurs - Histogrammes

Figure 6: Log des coûts variables par rapport à la taille des firmes selon la fréquence du délestage

Figure 7: Log des pertes par rapport aux coupures

Figure 8: Graphique boxplots: Log des coûts variables & Log des pertes

Figure 9: Graphique des quantiles (QQ-plots): Log des coûts variables & Log des pertes

3. Tableaux
Tableau I. Statistique descriptive

Tableau II. Test de discontinuité : comparaison des bris dans la densités de performance

Tableau III. Test d’égalité : différences des moyennes

Tableau IV. Régressions : différences en coefficients

Tableau V : Étude d’autres bris dans la densités : différences en moyennes

ix
 SECTION 1 : INTRODUCTION
Le secteur privé burundais est confronté à des limites de performance résultant d’une inadéquation
d’infrastructures publiques. L’une de ces limites spécifiques est la coupure fréquente d’électricité.
La croissance de la demande d’hydroélectricité a augmenté avec les années sans que l’offre suive5.
La promotion de l’investissement et l’urbanisation rapide ont abouti à la prolifération des PME 6.
Cette promotion devait prendre en compte la nécessité d’accès aux groupes électrogènes par les
PME, producteurs majoritaires dans un pays en développement. Par exemple, dans notre base de
données, 95% des firmes sont des PME. Pour contenir la demande d’hydroélectricité,
la REGIDESO doit régulièrement procéder au délestage circonscrit à quelques quartiers7. Face à
la fréquence des pannes, les firmes supportent des coûts additionnels d’exploitation. Nous avons
observé l’importance de ces coûts dans nos données. Deux firmes sur huit d’au moins 22 employés
utilisent ou partagent un générateur électrique. Les dirigeants des PME mentionnent qu’il y a en
moyenne 12 coupures de courant dans un mois de travail.

Notre hypothèse centrale est celle-ci: pour rester performantes malgré les coupures, les firmes
adaptent leur production. Si les grandes firmes recourent aux groupes électrogènes, les PME n’y
arrivent pas toujours. Le délestage est ainsi une contrainte de performance des firmes selon leur
taille. L’implication est que les décideurs économiques gagneraient à encourager et à investir en
l’accès à tous aux générateurs électriques. Par cette alternative à l’hydroélectricité, ils
collaboreraient à réduire les pertes dues au délestage.

Les PME contribuent énormément8 à l’essor du développement économique (Restuccia et

Rogerson, 2008). Leur croissance ne devrait pas dépendre du délestage électrique. Justement, le
Burundi pense à augmenter ses barrages hydroélectriques9. Cette initiative sert à offrir de

5
Les Figures 6 et 7 dépeignent le défi permanent d’alimentation électrique depuis le début des années 2000.
6
Les différents Rapports Doing Business témoignent de ces efforts d’amélioration du climat d’affaires au Burundi.
7
Au Burundi, la REGIDESO fait toujours en sorte que le délestage ne cible à la fois qu’une ou des zones industrielles
en particulier. Du point de vue de la firme, cette situation représente un défi. Le défi est de prévoir la zone qui sera en
interruption électrique de celle qui ne le sera pas en même temps. C’est ce qui déstabilise le plus les activités des firmes
particulièrement les PME plus nombreuses.
8
Selon les données de la World Bank Indicators API sur le Burundi(source :
http://api.worldbank.org/v2/en/country/BDI?downloadformat=excel ), les manufactures burundaises ont apporté une
valeur ajoutée de 6.4% en pourcentage de la croissance annuelle du pays en 2006.
9
World Bank Other Operational Studies (2013) , Burundi Revue des dépenses publiques: Renforcer l’efficacité des
pouvoirs publics et le rôle de la politique budgétaire, Washington D.C., USA: The World Bank Group, p.92.(source:
page 1 sur 60
l’électricité à tous notamment dans les périphéries urbaines en plein essor. Malgré cela,
l’urbanisation grandissante risque d’amplifier le problème de délestage pour les PME. C’est dans
ce contexte que se place notre étude d’une économie majoritairement faite de PME. Hopenhayn
(2014) rappelle que si un pays en développement est étudié, ses PME révéleront le mieux la vraie
part des firmes efficaces face à une contrainte de performance. Il est intéressant d’étudier le
comportement des firmes burundaises face au délestage pour les raisons suivantes. D’abord, le
délestage n’a pas le même effet s’il touche les PME et les grandes firmes. Ces dernières s’équipent
en générateurs parce qu’elles les considèrent comme un investissement. En effet, Reinikka et
Svensson (2002) montrent que les coupures chroniques d’électricité publique conduisent les
grandes firmes ougandaises à s’équiper en générateurs. La majorité de ces firmes (contre 16% de
PME) font cet investissement qui représente 25% de leur investissement total de l’année étudiée.
Il y a donc « moins de capitaux alloués à la production10 » et au reste des activités11. Il est possible
de découvrir un tel comportement au sein des firmes burundaises. En outre, la littérature montre
que le délestage affecte le profit ou la performance des firmes. Il y a des pertes de ventes non
écoulées, accentuées par des coûts additionnels d’exploitation. Alam (2013) précise que les profits
changent en fonction de trois aspects. Il s’agit de la fréquence des pannes, de la dépendance
électrique de la firme et de l’adaptabilité du fonctionnement de la firme face au délestage. Moyo
(2013) affirme aussi que la performance des firmes variera aussi selon ces aspects. Les pertes de
ventes non écoulées seront importantes pour les firmes incapables de s’adapter aux interruptions
électriques en acquérant des générateurs.

Dans ce mémoire, nous montrons que toute fréquence de pannes n’implique pas une hausse de
pertes donc un recours à des groupes électrogènes. C’est une situation qui n’arrive qu’à partir d’une
taille et d’une durée plutôt que d’une fréquence de pannes précises. Une augmentation d’une unité
de la fréquence des pannes en Afrique de l’Est12 implique une baisse de 7.6% de la production de
leurs firmes (Moyo, 2013). Trois mécanismes possibles d’adaptation au délestage des firmes
burundaises ont été identifiés dans cette étude. Il s’agit de l’absence de production durant les pannes
(Alby, Dethier et Straub, 2013), du recours aux générateurs (Allcott, Collard-Wexler et O’Connel.,

http://documents.worldbank.org/curated/en/143011468230116226/Burundi-Public-expenditure-review-
strengthening-fiscal-resilience-to-promote-government-effectiveness )
10
Notre traduction. Tiré de l’Abstrait de Reinikka et Svensson (2002) :
« The results suggest that poor complementary public capital significantly reduces private investment. »
11
Notre traduction. Voir note précédente.
12
Moyo(2013) a analysé précisément les pays suivants : Tanzanie, Zambie et Ouganda.
page 2 sur 60
2014), et du contrôle de la qualité de l’infrastructure énergétique13 des PME. Lorsque les pertes
dues au délestage deviennent maximales, inévitables et un frein à la performance, il faut un
générateur. La littérature existante n’avait pas encore exploré l’importance du délestage chez les
PME. Abotsi (2016) a découvert une grande élasticité entre la performance et la taille des firmes
d'un côté et la performance et le délestage de l'autre. Notre étude montre que l'élasticité entre la
performance et la combinaison du nombre d'employés et du nombre de pannes est encore plus
importante.

Dans ce mémoire, nous examinons comment le délestage affecte la performance économique des
entreprises et comment elles s’adaptent au délestage pour maintenir leurs opérations. La première
étape est d'établir une relation entre la taille et le délestage, ou la taille et la performance; ensuite,
une relation entre le délestage et la performance. Pour ce faire, les pertes et coûts issus du délestage
sont utilisés comme les indicateurs de performance. La taille se mesure par le nombre d’employés
et le délestage par le nombre de pannes ou d’heures dont durent les pannes annuellement. La
deuxième étape fut d'étudier la nature de l'impact du délestage sur la performance. Nous avons
remarqué que la taille des firmes se combine à la fréquence des pannes pour créer un effet
significatif sur la performance. Il s’agit d’un effet non-linéaire puisque nous contrôlons à la fois de
la taille des firmes et le délestage. Plus précisément, il faut savoir si les petites entreprises sont plus
touchées que les grandes. Abotsi (2016) a déjà montré qu'il existe un nombre de pannes électriques
qui touchaient négativement la performance des firmes. Notre étude révèle que si la durée des
pannes était combinée à un nombre d'employés14, alors des firmes cesseront de produire tout court
durant les pannes. La dernière étape est donc de regarder s’il y a un bris dans la densité dans la
distribution de la performance des firmes. Il s’agirait d’un point à partir duquel les coûts
irrécupérables (« sunk costs » )15 associés au délestage pèsent sur la performance.

Notre base de données provient de WBES et renferme des valeurs en coupe transversale. Il s’agit
de données recueillies en 2005-2006. Plusieurs de nos variables sont fournies par la base de

13
Ce mot est une traduction de l’auteur de ce mémoire du mot anglais « power infrastructure quality ». Comme nous
le verrons plus tard dans les définitions, il s’agit de la combinaison (ou produit) du nombre d’employés (ou taille de la
firme) et de la fréquence des pannes. Synonyme de la qualité de l’infrastructure électrique.
14
À partir de X nombre de pannes concernant des firmes n’ayant que Y employés risqueraient de fermer leurs portes.
Ici, X et Y représentent uniquement des quantités.
15
Ce terme est une traduction par l’auteur de ce mémoire de l’expression anglaise « sunk costs ». Ces auteurs réfèrent
aux coûts d’embauche, coûts de l’essence pour le transport ou les générateurs électriques, aux coûts de location de
voitures etc.
page 3 sur 60
données. Cependant, certaines d’entre elles ont été formulées par l’auteur de ce mémoire selon les
définitions que proposent la revue de la littérature. Notre base de données comprend des entreprises
manufacturières, commerciales et de service de la ville de Bujumbura. Comme capitale
économique du Burundi16, cette ville traduit fidèlement le problème du délestage dans ce pays.

Notre méthodologie est inspirée essentiellement17 de Goyette (2014). Il s’agit d’une étude de la
différence entre les coefficients des variables, par catégorie de firmes. Il s’agit aussi d’une étude
des points médians des histogrammes de la densité d’une variable. Notre estimateur est « une
extension de la densité linéaire locale, obtenu en deux étapes. Dans un premier temps, nous
obtenons un histogramme finement quadrillé. Dans la deuxième étape, nous lissons l'histogramme
en utilisant une régression linéaire locale, séparément de chaque côté du bris(bris dans la
densité) »18 (McCrary, 2008). Chez Goyette (2014), cette méthodologie fut utilisée pour prouver
l’existence des distorsions dans la taille des firmes19. Utiliser une telle méthode permet ici de
préciser la taille des firmes, où celles-ci doivent s’équiper en générateurs électriques. Comme nous
le verrons plus loin en statistique descriptive, les petites firmes connaissent en moyenne 11.82
coupures électriques (par employé et par mois de travail). Comparativement aux grandes firmes
qui ne connaissent qu’une seule coupure, nous devrions nous attendre à ce que les petites firmes
aient davantage accès aux générateurs électriques. Puisque ce n'est pas le cas comme nous le
verrons tout au long de cette recherche, McCrary (2008) propose cette méthode20. Cette dernière a
l’avantage d’analyser la discontinuité et de tester l’égalité des moyennes par groupe de firmes.
Statistiquement, nous cherchons à identifier la plus grande et plus significative différence de
coefficients. Notre méthodologie préconise autant une analyse graphique qu’une étude statistique.

16
Voir la Loi n°1/04 du 04 février 2019 portant Fixation de la Capitale Politique et de la Capitale Économique du
Burundi (source : https://www.presidence.gov.bi/2019/02/13/loi-n104-du-04-fevrier-2019-portant-fixation-de-la-
capitale-politique-et-de-la-capitale-economique-du-burundi/)
17
Notre méthodologie est aussi inspirée de Abotsi (2016) mais aussi de Onji(2009) et Hopenhayn (2014).
18
Notre traduction. Voir McCrary(2008), p.1.
19
Une distorsion est définie comme une « taxe sur les ventes » des firmes du secteur formel qu’évite celles du monde
informel (Easterly et Rebelo, 1993). Une distorsion peut être aussi un « rapport entre l’emploi réel (réalisé) et l’emploi
originel (réalisable ou non altéré par une réallocation) » (Hopenhayn, 2014).
20
McCrary (2008) explique que lorsque les caractéristiques singulières sont fournies par la base de données, cette
méthodologie d’analyse de la discontinuité en deux étapes devait être priorisée. Voir McCrary (2008), p.2.:
« If the pre-determined characteristics the researcher has at disposal are relevant to the problem, this method
should be informative about any sorting around the discontinuity […]. By way of contrast, the density test
may always be conducted since data on the running variable is required for any analysis. The method is also
useful in applications where a discontinuous density function is itself the object of interest.» (McCrary,2008)
page 4 sur 60
Les résultats de ce mémoire montrent que le délestage est effectivement une contrainte de la
performance des PME burundaises. Il existe un bris dans la densité d’employés où le délestage est
contraignant sur la performance. Autour 20 employés, il existe une discontinuité de la densité de
performance attribuable à la durée des pannes. Les corrélations partielles21 et les régressions
montrent une relation positive et significative entre les pertes et la fréquence des coupures.

Dans la Section 2, nous parlons de la revue de la littérature. Il s’agit d’un résumé les recherches
ayant fournies les variables d’intérêt. La Section 3 comprend un descriptif des données, des
variables, du modèle et de notre méthodologie. La Section 4 fournit les principaux résultats des
régressions et des tests d’hypothèses. La conclusion de notre travail se trouve dans la Section 5.

SECTION 2 : REVUE DE LA LITTÉRATURE

Dans ce chapitre, nous examinons différents papiers de recherche afin de cibler les variables
d’intérêt. Parmi elles, il y a les indicateurs de performance, la mesure de la qualité de
l’infrastructure électrique et les caractéristiques observables22 des firmes. La sous-section 1 de ce
chapitre revient sur quelques définitions. La sous-section 2 parcourt la littérature des différentes
économies en développement, notamment des pays africains. La sous-section 3 de cette revue
revient sur les documents pertinents pour cette recherche. La sous-section 4 se concentre sur
l’analyse du délestage dans différents papiers de recherche. Nous terminons par une conclusion de
cette revue dans la sous-section 5.

2.1. DÉFINITIONS
Dans cette section, nous allons définir quelques expressions pour la commodité de lecture et de
compréhension de la suite de ce mémoire. Brièvement, voici ce que nous apprend la littérature sur
les coupures électriques.

Le délestage est une contrainte sur les infrastructures électriques23. Il affecte les indicateurs de
performance et peut mesurer la qualité de l’infrastructure électrique. L’indicateur de performance
quant à lui, est une caractéristique observable mesurant la rentabilité de la firme.

21
Par le coefficient de Pearson surtout. Pour les détails, voir en ANNEXES.
22
Caractéristiques observables dans le cadre de leurs opérations.
23
Notre traduction du terme « infrastructure constraints » tiré de Alby et al., (2013), p.111 et 116.
page 5 sur 60
Une performance économique24 des firmes est définie par Dedrick, Gurbaxani et Kraemer
(2003)25 et Abotsi (2016) 26 comme une atteinte des objectifs de production à moindre coût. De ce
qui précède, nous dirons qu’une entreprise est performante, si pour une même production, sa
productivité (des facteurs) décroît, ses coûts de production sont bas et son profit est maximal.
Naturellement, cette performance économique est différente de la performance économique
agrégée. De manière macroéconomique, il y a performance s’il y a augmentation de l’emploi selon
ces derniers auteurs27. La performance est assimilable au rendement ou à la rentabilité d’une firme.

Une distorsion est un « rapport (différence) entre l’emploi réel (réalisé) et l’emploi originel
(réalisable ou non altéré par une réallocation) » (Hopenhayn 2014). Cet écart d’emploi entre firmes
plus et moins productives cause des pertes de productivité. Identifier donc les distorsions revient à
comprendre la productivité totale des facteurs. En effet, selon Hopenhayn (2014), le nombre total
d’emplois touchés par les distorsions affecte directement la productivité totale des facteurs. Nous
reviendrons plus loin sur la définition de la productivité totale des facteurs.

Une contrainte en infrastructure électrique pour les firmes est le délestage lorsque le marché du
crédit est dysfonctionnel et ne permet pas l’accès global aux générateurs (Alby et al., 2013). En
effet, s’il y a perte due au délestage malgré l’acquisition de générateurs, alors le délestage est une

« The net return on an investment project depends on a complementary input (in this case, electricity from
the grid), the provision of which is of varying quality. We assume that this net return is given by dr, where r
is the gross return absent any infrastructure constraints and d [ [0,1] captures the impact of the electricity
supply. In practice, the quality of the supply as measured by the number of outages interacts with the sector-
level “sensitivity to electricity” to determine the actual value of d. In particular, when operating at the
technological frontier, some sectors are naturally more reliant on electricity than others are. For sectors with
a higher sensitivity to electricity, a given number of outages has a stronger negative impact on the project
return.»(Alby et al.,2013)
Le délestage comme contrainte en infrastructures électriques est définie plus loin dans ce mémoire. Exemple : nombre
de pannes électriques affectant l’entreprise traduit la qualité de l’approvisionnement du réseau électrique.
24
Notre traduction.
25
Dedrick, et al. (2003), p.4., Section 2.2.
26
Notre traduction. Abotsi (2016) p.98.
« […] le succès de produire le plus possible à partir d'un groupe d'intrants. Le concept d'absence de
performance (ou d'efficacité) implique que tous les facteurs environnementaux qui augmentent les besoins en
intrants, compte tenu de la production et des caractéristiques techniques solides, seront réputés entraîner une
absence d'efficacité. En effet, en l'absence de ces facteurs, l'entreprise utiliserait moins de ressources pour
produire la même production. » (Abotsi, 2016).
27
Dedrick et al., (2003) p.4.
« Economic performance can be interpreted in a variety of ways at each level of analysis. At the country level,
where much of the debate has occurred, it usually refers to economic growth, labor productivity growth, and
consumer welfare.[...]A firm that is more productive than its competitors will generally enjoy higher
profitability, which is of course, also an important measure of economic performance for firms. A more
productive firm will either produce the same output with fewer inputs and thus experience a cost advantage,
or produce higher quality output with the same inputs, enabling a price premium. » (Dedrick et al., 2003)

page 6 sur 60
contrainte sur la performance. Si toutes les firmes ne peuvent pas se doter de générateurs pour ainsi
restreindre leur taille28 à cause du coût inhérent aux pannes, alors leur performance en souffre. Une
firme qui a un générateur électrique de secours est à l’abri de pertes dues au délestage et de salaires
distribués inutilement. Tous ses employés continuent de travailler et justifient ainsi le paiement de
salaires. Contrairement à elle, une firme sans générateur donne des salaires à des employés
désœuvrés durant les pannes. Par conséquent, cette firme débourse un coût qui à terme, le pousse
à remercier certains de ses employés et à avoir ainsi une petite taille.

Un coût variable additionnel d’exploitation en usage de générateurs et des pertes dues au délestage
apparaissent tout en renfermant un bris dans la densité de performance. Le coût variable comprend
un coût usuel de production29, un coût pour l’accès aux générateurs30 et un coût en carburant pour
l’usage des groupes électrogènes31. Le coût variable s’ajoute aux coûts de production habituels dont
les salaires distribués. Nos pertes dues aux pannes électriques, quant à elle, sont la somme des
ventes totales perdues32 et d’intrants perdus33 durant le délestage. Ces pertes déterminent aussi le
niveau optimal de production possible. Concrètement, la performance des firmes peut se mesurer
grâce à ces coûts et à ces pertes.

Un bris dans la densité de performance est ce point où il y a des pertes et/ou des coûts maximaux
qu’il est davantage intéressant à ne plus croître sa propre taille des firmes. De ce qui suit, nous
verrons qu’un bris dans la densité est un niveau de croissance de la performance mesurée par la
taille des firmes. Ce niveau apparait lorsque la rentabilité n’est plus possible sans générateurs.
L’effet des fluctuations du délestage sur la rentabilité des entreprises avait déjà été étudié au Ghana
par Doe et Asamoah. (2014). Cet effet y est apparu comme un choc sur les ventes des PME de la
ville d’Accra. Cet effet est capable de créer un bris dans la densité de rentabilité.

28
Voir la suite du paragraphe pour mieux comprendre le choix de ce verbe.
29
Le coût usuel de production comprend le coût en matières premières (l2a), les frais de personnel (l2b) et le coût
d’électricité (l3a). Entre parenthèses se trouvent les noms des variables dans les données.
30
Le coût pour l’accès aux générateurs comprend le coût de location (si g4a=1, alors l2d pour l’équipement en
générateur) ou d’achat de générateurs (si g4a=1 alors l4a en équipement de générateur). Entre parenthèses se trouvent
les noms des variables dans les données.
31
Le coût en carburant pour usage des groupes inclut le pourcentage de la consommation électrique (l3a) provenant
de ceux-ci (g4b x l3a). Entre parenthèses se trouvent les noms des variables dans les données.
32
Les ventes perdues durant la panne électrique comprennent la valeur des pertes annuelles due aux coupures
(g1a5+[g1a4 x l1b]). Entre parenthèses se trouvent les noms des variables dans les données.
33
Les intrants perdus durant le délestage comprennent le coût des matières premières (l2a) et les frais de personnel
(l2b) défrayés pour la production provenant de la fabrication (usine) exclusivement ([c1a+c1b]*l1b). Entre parenthèses
se trouvent les noms des variables dans les données.
page 7 sur 60
La taille des firmes est requise dans notre étude pour comprendre tout effet sur la performance. Il
est à noter que l’effet du délestage est connu par les firmes burundaises à travers leur taille. Cabral
et Mata (2003) et, Pagano et Schivardi (2003) notent que si la taille des firmes (firm size) est aussi
intéressante dans la recherche, c’est grâce à son influence sur (et son évolution par rapport à) la
croissance des firmes (firm growth). Par simplicité, notre étude assimile la taille des firmes à leur
niveau de croissance. En effet, la distribution de la taille des firmes (firm size distribution) est une
solution optimale dans le long-terme du problème suivant des firmes : allouer parfaitement des
facteurs productifs (actifs et employés) à des gestionnaires de capacité différente afin de maximiser
le rendement, avec une implication à l’échelle de l’économie34 (Lucas Jr., 1978). La maximisation
du rendement des firmes permet la croissance des firmes. C’est pour cette raison que dans notre
étude, la taille des firmes mesurée par le nombre d’employés renvoie à un niveau de croissance des
firmes si ce nombre est précisé. Nous utiliserons donc l’expression taille des firmes pour introduire
autant le nombre d’employés des firmes que son niveau de croissance.

La taille des firmes ne peut pas dépendre d’un délestage constant et connu au même moment et par
toutes les firmes. Ainsi, nous n’avons observé aucune relation entre le délestage et la taille des
firmes. Il est difficile de trouver la preuve, ou même l’indice, d’une telle relation dans la littérature
(Restuccia et Rogerson, 2008; Tybout, 2000; Hopenhayn, 2014; Iacovone et al., 2014; Poschke,
2014; Luttmer, 2007). Le délestage ne peut pas être influencé par la croissance des firmes lorsque
l’analyse de cet effet se fait en coupe transversale. Autrement dit, il est difficile d’établir une
corrélation entre ces deux aspects en se concentrant uniquement sur une seule période, telle que
disponible dans nos données. Ainsi, la seule relation que nous pourrions analyser serait celle entre
la performance et la taille ou le délestage. À moins que ça ne soit la combinaison de la taille et du
délestage qui a des impacts sur la performance. C’est la qualité de l’infrastructure énergétique qui
représente la vraie performance des firmes, selon l’auteur, parce qu’à partir d’un certain nombre
d’employés, les firmes se questionnent sur leur performance durant les pannes. Une forte fréquence
de délestage équivaut à une rémunération d’employés désœuvrés durant les coupures. Cette
fréquence est une des caractéristiques observables dans les firmes.

34
Notre traduction. De Lucas Jr., (1978) p.510.
« To keep matters simple, at least initially, I shall develop a model of a closed economy with a given quantity
of homogeneous capital and a given workforce which is homogeneous with respect to productivity as an
employee. » (Lucas Jr., 1978)

page 8 sur 60
Selon Hsieh et Klenow (2009), il est important de comprendre les différences de productivité totale
de facteurs (PTF) entre pays développés et en développement. Ça nous permet de comprendre
comment sont alloués les facteurs de production. Or, l’électricité pourrait être un facteur de
production pouvant expliquer l’allocation du reste des facteurs selon le type de pays. Notre revue
de la littérature s’est notamment intéressée aux différences de PTF entre les pays émergents et les
pays en développement.

Dans la section suivante, il est question de contraintes de performance dans les pays développés et
émergents.

2.2. LES PAYS EMÉRGENTS

Dans les paragraphes qui suivent, nous voyons comment une mauvaise allocation du capital
physique impacte la productivité totale des facteurs (PTF).

Dans les pays émergents35, il arrive que le délestage soit un défi pour le secteur privé. En réponse
aux coupures électriques, les entreprises s’équipent en générateurs. Jovanovic et Rousseau (2007)
indiquent que ce choix d’adaptation est une « réallocation36 » de facteurs de production. Le
générateur, comme portion du capital physique, exige une nouvelle organisation de travail. Pour
acquérir et rendre fonctionnel cette machine, les firmes réallouent à cet effet une part de leur capital
et de leur travail. D’après ces auteurs, cet équipement sera un atout dans l’économie si la
réallocation conséquente à son usage est effective au sein de toutes les firmes. Il y a donc efficacité,
si toutes les firmes rapportent une nette amélioration de leur performance à la suite de son usage.
L’accès à tous aux générateurs sert à éviter le chômage dans l’économie durant les pannes.

Cependant, le générateur a un prix. Le lourd fardeau financier qui vient avec l’acquisition de
générateurs affecte les établissements. En supportant un taux d’intérêt à l’emprunt37, les firmes
productives démontrent une allocation efficace de leurs ressources. Or, ces pertes dues aux

35
Nous parlerons aussi de ce défi dans quelques pays développés, notamment la Suède et le Portugal
36
Jovanovic et Rousseau (2007), p.1.:
« In trying to adopt a new technology, a firm may re-train some of its workers and replace others, and it can
re-fit its buildings and equipment, where possible, and replace the rest. If it fails in the attempt to reorganize
internally, the firm will probably disappear, and its assets will be reorganized externally. In that case the firm
will either liquidate, or it will be taken over. Either way, however, the existing human and physical capital is
no more likely to be “destroyed” than during an episode of internal reorganization. It will simply change
management. Indeed, a new technology cannot quickly spread economy-wide unless these reallocation
mechanisms work smoothly. » (Jovanovic et Rousseau, 2007)
37
De Banerjee et Moll (2009), p. 193 sur le taux d’intérêt équivalent au taux d’épargne: « In our model, there are also
no intermediation costs so that the borrowing rate equals the deposit rate. »
page 9 sur 60
coupures, additionnées aux coûts supplémentaires d’exploitation affectent la performance. En ce
sens, l’entreprise qui emprunte n’est donc plus nécessairement celle qui est efficace (ou
performante). Sous contrainte38, l’entreprise qui ne peut pas emprunter, génère une épargne de
précaution. Elle met fin à certaines activités afin de sauver de l’argent (ou désinvestissent) en vue
de générateurs électriques de secours. Dans leur modèle théorique, Banerjee et Moll (2009) réfèrent
à ce phénomène comme à une mauvaise allocation du capital sur marge intensive ou extensive39.
D’après ces auteurs, deux raisons majeures40 peuvent expliquer la présence courante dans la
littérature de la mauvaise allocation à marge intensive (inégalité de produits marginaux). La
première raison est donnée par Restuccia et Rogerson (2008) et se résume ainsi : « les firmes peu
productives ont un incitatif à demeurer petites. Il y a distorsion de la densité de la taille des
firmes »41. La seconde raison est celle introduite plus haut : « les firmes à forte productivité totale
des facteurs désinvestissent »42. Ils rejoignent ainsi les conclusions de Hsieh et Klenow (2009). Le
délestage provoque une mauvaise allocation du capital des firmes peu productives soient les PME.
À moins que le délestage se présente ainsi comme une distorsion sur la performance de ces firmes.

Selon Caselli et Feyrer (2007), face à une contrainte sur le capital physique, une réallocation de ce
capital est certes souhaitable. Toutefois, les pays émergents et développés sont avantagés par les
faibles prix de ces machines que les pays en développement. Caselli et Feyrer (2007) jugent qu’il
faut une réallocation du capital capable d’égaliser les productivités marginales du capital entre les
pays. Alors que cette réallocation augmenterait 3% du PIB mondial, elle représente une hausse de
25% du PIB des pays en développement étudiés par les auteurs43. Autrement dit, les entrepreneurs
des pays en développement acquièrent le capital physique à des prix élevés; y compris les
générateurs.

Selon Hsieh et Klenow (2009), l’alternative à l’achat des générateurs serait leur location. Leur
étude a utilisé le prix de location du capital, qui en s’accumulant, maximise les la rentabilité44.

38
Dans notre cas, il s’agit précisément d’une contrainte de délestage. Compte tenu des pertes et coûts additionnels
conséquents au délestage, celui-ci est cette contrainte à la performance aussi lorsqu’elle auto-sélectionne qui a droit au
prêt bancaire. Mais d’après Banerjee et Moll (2009), p. 198, les firmes sont sous contrainte de crédit surtout.
39
Notre traduction. De Banerjee et Moll (2009), p.194
40
Banerjee et Moll (2009) parlent de deux autres raisons non rapportées ici : la mauvaise allocation issue d’une
politique discriminatoire pour les grandes firmes et les chocs sur le capital, la productivité (« ability ») ou les actifs
(« assets ») (voir p. 201-202)
41
Notre traduction.
42
Notre traduction.
43
Notre traduction.
44
Notre traduction.
page 10 sur 60
D’après ces auteurs, les variables suivantes pourraient influer sur la performance chinoises et
indiennes : l’âge, la propriété45 (ownership), la taille des firmes46 et la localité de la firme. Ils ont
rajouté les salaires distribués et les politiques gouvernementales (octroi de licences en Inde ou
propriété publique en Chine). De jeunes firmes plus performantes dans les débuts de la firme ne le
sont plus à cause de l’âge. Cependant, « une faible productivité totale des facteurs peut refléter
l’apprentissage par la pratique ou d’autres investissements non observables (R&D, constitution
d’une clientèle) plutôt que des distorsions »47 (Hsieh et Klenow, 2009). Une telle productivité totale
des facteurs correspondrait dans notre recherche à une faible performance reflétant un
investissement non observable en générateurs électriques de secours.

Le délestage invite à toujours chercher des mécanismes d’adaptation. À titre d’exemple, les usagers
de l’électricité suédoise font autre chose. Ils accroissent leur volonté à payer pour réduire la durée
des pannes durant les périodes où elles sont le plus fréquentes (Carlsson et Martinsson, 2008). Cette
situation est possible dans une économie développée parce que les tarifs électriques étaient déjà
bas (Agénor et Moreno, 2006). Dans les pays en développement, les gouvernements sont invités
par Agénor et Moreno (2006) à lutter contre les contraintes en infrastructures électriques.

En définitive, tous ces papiers rejoignent Cabral et Mata (2003) : le délestage, à lui seul, n’explique
pas toujours le comportement des firmes portugaises. L’âge des firmes et les contraintes financières
peuvent aussi influencer ce comportement. À cause des coûts ou des pertes générés par le délestage,
non anticipés par les firmes, il y a un besoin en liquidités supplémentaires (Moll 2013). C’est une
quête qui ralentit considérablement la performance des firmes. Des ajustements s’imposent pour
poursuivre la production. Les coûts additionnels d’exploitation et les pertes dues au délestage font
désormais partie des décisions de production (Schure et al., 2015; Jovanovic et Rousseau, 2007).

Dans la section suivante, nous revenons sur la littérature africaine sur les contraintes de
performance des firmes.

2.3. LES PAYS EN DÉVELOPPEMENT

Dans la précédente section, nous avons vu que le délestage, la sécurité, la garantie sur emprunt
et le prêt informel expliquaient la performance des firmes des pays émergents. L’objet de cette

45
Notre traduction.
46
La taille des firmes est mesurée la valeur ajoutée chez Hsieh et Klenow (2009)
47
Notre traduction. Voir Hsieh et Klenow (2009), p.28.
page 11 sur 60
section est d’investiguer toujours de tels « déterminants »48 de performance dans les pays en
développement. Selon la littérature, il s’agit de la taille des firmes, des salaires, de l’âge, de crédit
informel, de la garantie sur emprunt bancaire, de la corruption, du secteur d’activité et de la localité.

Dans cette section, nous revenons sur les recherches associées aux contraintes de performance des
firmes africaines. Nous relatons aussi les mécanismes d’adaptation de ces firmes face auxdites
contraintes qui sont des caractéristiques observables des firmes. Les contraintes rapportées plus bas
constituent des variables explicatives éventuelles de la performance des firmes burundaises.

Dans les pays en développement, les infrastructures ne se sont pas accrues, comme le remarquent
les chercheurs (Allcott et al., 2014; Alam, 2013; Zuberi 2012; Zhang, Parker et Kirkpatrick, 2008;
Reinikka et Svensson, 2002; Tybout, 2000). Les infrastructures électriques (Foster et Steinbuks,
2009) et financières (Berger et Udell, 2006) sont rares. Il faut que les firmes trouvent une autre
manière de se les procurer. Foster et Steinbuks (2009) trouvent que « l’Afrique subsaharienne
produit grâce à des générateurs de secours une électricité représentant 6% à 12 % de l’électricité
du réseau central »49. Cette énergie électrique est beaucoup plus importante que celle équivalente
et produite par les pays développés50. Il faut dire qu’en Afrique, une interruption électrique
chronique sur un intervalle de 15 à 60 jours cause une perte de 8% de ventes non écoulée. Les
entreprises doivent emprunter pour investir en génératrices51. Elles empruntent peu importe leur
âge, leur localité, leur secteur d’activité ou leur taille.

En Afrique subsaharienne, Foster et Steinbuks (2009) ont cherché à identifier la raison pour
laquelle il y a une forte possession de générateurs électriques. Pour la majeure partie des firmes
africaines (20% d’entre elles), cet équipement est acquis au même titre que d’autres équipements.
Toutefois, dans des pays comme l’Afrique du Sud, où « l’électricité est fiable, il n’en demeure pas
moins que les firmes acquièrent des générateurs52 ». Étant donné la moyenne de l’Afrique de l’Est
(EAC) à laquelle il appartient, le Burundi connaissait en 2006 environ 8% de production électrique

48
Notre traduction. Terme emprunté de Goyette (2014) pour signifier une caractéristique d’une firme définissant la
performance. Dans la suite de l’exposé, l’usage de ce terme référera à ce qui précède.
49
Notre traduction.
50
Voir Foster et Steinbuks (2009), p. 7
« In-house generation of electrical power accounts for only around 6 percent of the installed generating
capacity in Sub-Saharan Africa [...]. This is a bit more than the share in the United States (3.7 percent) and
about the same level as in the enlarged European Union (7.3 percent)[…] .» (Foster et Steinbuks, 2009)
51
D’après le rapport de 2014 de la section UNCTAD des Nations-Unies, p. 12, il est mentionné que « l’investissement
est un déterminant majeur de la croissance en Afrique ». Si une entreprise est non éligible à l’emprunt au sens de la
loi, elle se finance de façon informelle (Moll,2013) pour acquérir le générateur.
52
Notre traduction.
page 12 sur 60
propre par rapport à celle du réseau central. Parmi le top 3 des pays dont les firmes produisent une
électricité à l’interne grâce aux groupes électrogènes, se trouvent la Mauritanie, la Guinée
équatoriale et la République Démocratique du Congo. Leur production moyenne varie entre 48%
et 62% de leur capacité de production53. Lorsque les économies sont tributaires d’une électricité
importée comme c’est leur cas, les firmes fonctionnent avec une électricité soumise à de fréquentes
coupures. D’après Foster et Steinbuks (2009), la production de l’électricité par les générateurs est
reliée au secteur d’activités des entreprises. Au Burundi, il n’y a pas de délestage particulièrement
pour un secteur d’activité donné ni d’électricité importée. De plus, les petites firmes de 10 employés
et moins ont une probabilité de 50% d’acquérir un générateur de secours. Finalement, les auteurs
identifient les mêmes types de coûts en usage de générateurs que ceux retenus dans notre recherche.
Selon eux, le coût variable d’exploitation découlant de l’usage de générateurs est trois fois
supérieur à la dépense traditionnelle en électricité. Cependant, les coûts sont pour ces auteurs une
part des ventes non écoulées, tandis qu’ils représentent des charges d’exploitation dans notre étude.
Il existe certes un coût fixe issus de l’achat de générateurs. Dans ce mémoire, nous nous sommes
intéressés au coût variable associé à l’alimentation du générateur en essence. Ces auteurs ont omis
de vérifier la relation entre le coût variable ainsi définis et d’autres coûts notamment les salaires
distribués lors des pannes54. Nous l’avons vérifié dans cette étude.

Selon Guerineau et Jacolin (2014), « l’inclusion financière »55 prend du retard dans les pays en
développement. Comparativement à l’Asie du sud-est, l’Afrique subsaharienne souffre d’une
mauvaise allocation du capital financier. En effet, ceux qui demandent des crédits auprès des
banques ne sont pas ceux qui sont dans le besoin. Or, en temps de délestage, il y a un besoin de

53
Voir Foster et Steinbuks (2009), p.8, fig.9. Les auteurs ont construit ce graphique en convertissant leurs données de
2005 en capacité de production « en supposant une consommation annuelle continue et ininterrompue d'électricité
importée » (notre traduction). La situation de production électrique par le biais de groupes électrogènes est si
préoccupante qu’elle se reflète dans le coefficient de GNI :
« For most countries, the value of own generation relative to the size of their economies is not large. However, for five
countries (Mauritius, Congo Republic, Mauritania, Swaziland, and Zimbabwe) it is greater than 4 percent of GNI, and for
another five countries (Equatorial Guinea, Nigeria, Ghana, Malawi, and Togo) it ranges between 2–3 percent of GNI. »
(Foster et Steinbucks, 2009, p.8-9)
54
Foster et Steinbuks (2009), p. 17 – note de bas de page. Les auteurs précisent qu’ils n’avaient pas inclus les salaires
dans le coût variable étudié; étant considérés comme d’autres types de coûts variables.
Dans son mémoire de maitrise, Yaya (2013) indiquait que les secteurs de transport et de télécommunications octroyer
des salaires importants par rapport aux autres secteurs d’activité sénégalais. Si c’était le cas au Burundi, nous verrions
des entreprises de ces secteurs qui cessent toujours la production durant les pannes, de peur de donner des salaires
importants.
55
Guerineau et Jacolin (2014), p.58. L’inclusion financière est ainsi définie par les auteurs : « […] un meilleur accès
et une utilisation plus intensive des services financiers ».
page 13 sur 60
liquidités immédiates requises pour les urgences mineures des activités courantes56des PME.
Pourtant, il manque toujours un accès au financement à toutes les PME. Ces auteurs constatent que
la Zone Franc renferme des PME qui ont de la difficulté à emprunter pour plusieurs raisons. Le
système bancaire n’y est pas encore très connu pour octroyer des crédits à tous. Une garantie sur
emprunt important est souvent exigée à la demande du prêt. Le niveau d’éducation (59% des
ressortissants de zone rurale) des entrepreneurs et l’âge des gestionnaires (66% des jeunes, dont les
jeunes entrepreneurs) expliquent cette exclusion57. Par conséquent, l’alternative devient un recours
au financement informel. Nous avons monté une variable explicative pour capturer le financement
informel au Burundi. L’exclusion financière n’est pas négligeable non plus dans des économies
africaines hors Zone Franc. Au Kenya, Gichuki, Wangui, et Ondabu (2014) notent que la limite
d’accès au crédit et l’ignorance des mécanismes financiers occasionnent des coûts et pertes chez
les firmes. En ce sens, les défis financiers ralentissent la performance des firmes. Berger et Udell,
(2006) pensent que la difficulté d’accès au crédit des PME prend source soit dans les structures des
marchés financiers, soit dans les infrastructures nationales de prêt. Particulièrement, l’amélioration
des infrastructures de prêt dans les pays développés ou en développement augmente favorablement
la disponibilité et l’accès aux crédits pour les PME58.

D’après Taiwo, Falohun et Agwu (2016), le protocole d’octroi de prêt aggrave le fossé creusé entre
les firmes nigérianes, en rendant impossible la croissance de certaines. De plus, les auteurs ont vu
que la législation en place empêche les firmes de recourir au financement formel. Leur taille est
fonction de l’épargne personnelle ou socio-coopérative. Si une entreprise est non éligible à
l’emprunt au sens de la loi, elle a deux choix possibles : s’auto-financer (Moll, 2013) ou se tourner
vers une « nouvelle technologie »59 (Jovanovic et Rousseau, 2007) apportée par le recours aux
générateurs. Nous verrons qu’au Burundi, la situation est telle que les firmes se tournent vers

56
Guerineau et Jacolin (2014), p. 63
« La plupart des crédits sont distribués en dehors du système financier formel et servent avant tout à la
couverture des besoins de consommation courante. » (Guerineau et Jacolin, 2014).
57
Comme le disent aussi ces chercheurs, la famille finance 85% des emprunteurs en Afrique subsaharienne et Zone
Franc (dont fait partie le Burundi).
58
Berger et Udell, 2006, p.1 et p.30
« By financial institution structure, we mean the market presence of different types of financial institutions
that provide credit, as well as the competition among these institutions. By lending infrastructure, we mean
the rules and conditions set up mostly by governments that affect financial institutions and their abilities to
lend to different potential borrowers. » (Berger et Udell, 2006).
59
Expression des auteurs, voir Jovanovic et Rousseau (2007), p.3. C’est une nouvelle technologie d’alimentation
électrique, en comparaison à celle fournie par le réseau central.
page 14 sur 60
l’usage de génératrices. Ces machines occasionnent un besoin de liquidités afin de combler pertes
et coûts venant du délestage. L’exclusion financière est donc une contrainte directe à la
performance des firmes. De ce qui précède, nous validons le choix de la garantie sur emprunt et du
prêt informel comme variables explicatives de la performance.

Les paragraphes précédents ont permis d’énumérer les caractéristiques des firmes qui peuvent
expliquer la performance. Dans les paragraphes suivants, nous parlons de variables que la
littérature propose mais qui n’ont pas été retenues pour cette étude. Il s’agit de l’âge, de la
corruption et des marchés intermédiaires. Quoique l’âge soit un facteur important dans l’inclusion
financière pour les PME, il peut être difficile de prouver qu’il gène la performance de ces firmes.
Abotsi (2016) n'a pas trouvé de raison portant à croire que les firmes âgées étaient moins
performantes à la suite du délestage. Ainsi, dans nos équations, nous n'avons plus considéré l'âge
comme variable de contrôle.

Au Burundi, le délestage a lieu aléatoirement dans une zone industrielle et affecte uniformément
les firmes de cette zone. Compte tenu de cette stratégie, nous n’avons pas jugé utile de vérifier si
la REGIDESO peut-être corrompue pour éviter les coupures électriques. Toutefois, il existe dans
la littérature des arguments justifiant que la corruption est une contrainte de la performance des
firmes. Jagger et Shively (2015) ont montré que le travail des autorités régulatrices fiscales
ougandaises est proportionnel à la taille des firmes. Selon eux, les pots-de-vin sont des « coûts de
production déjà anticipés »60par le marché du bois. Ces coûts sont inégalement supportés par les
firmes, étant donné le réseau des fonctionnaires connus par chacune (Odd-Helge, 2005; Merima,
Odd-Helge et Hoem Sjursen,2014). Toujours dans ce secteur d’activité, Foundjem-Tita, Speelman,
D'Haese, Degrande, Van Huylenbroeck, Van Damme et Tchoundjeu (2013) mentionnent que 47%
des producteurs forestiers camerounais « évitent le harcèlement fiscal des autorités »61 qui implique
davantage de pots-de vin. Toujours selon les auteurs, 14% des entreprises réduisent leurs coûts
d’achat de permis d’exploitation grâce aux pots-de vin.

60
Notre traduction, cité de Jagger et Shively (2015, p. 2).
« […]In addition, forest product movements span a range of economic transactions that include legally
produced and marketed products subject to taxes, licensing and fees, as well as illegally obtained products
that are transported and marketed in clandestine fashion. » . (Jagger et Shively, 2015)
61
Notre traduction, cité de Foundjem-Tita (2013), p. 135. Voici la phrase originale: « Most frequent reasons were the
need to avoid police and forestry control (47%) ».
page 15 sur 60
Les mécanismes d’adaptation à une contrainte de performance sont nombreux. Citons par exemple
le recours aux marchés intermédiaires (Schure, Ingram, Arts, Levang et Mvula-Mampasi, 2015).
Afin d’éviter d’enregistrer des pertes (indicateur de performance), les entrepreneurs forestiers
congolais se partagent la main-d’œuvre et les permis d’exploitation. Ce monde clandestin cible une
clientèle sûre et permet de falsifier la comptabilité des facteurs de production (travail, salaires,
capital ou machinerie propre). En comparaison, selon nos données, il existe des firmes burundaises
qui se soustraient de l’achat de génératrices, en partageant ou en louant celles de leurs homologues.
Il n’en demeure pas moins que l’achat, le partage ou la location de génératrices conduisent à rendre
les firmes moins tributaires de l’électricité du réseau. Aucune variable explicative n’était pas
requise pour étudier particulièrement ce comportement des firmes sur un marché intermédiaire.
Toujours selon Schure et al. (2015), le régionalisme d’opération est un problème d’importance en
République Démocratique du Congo62. Nous n’avons pas observé que le délestage affectait
différemment la performance des firmes selon leurs localités.

Dans la section suivante, nous formulons les variables pertinentes à notre recherche cette fois-ci,
grâce aux papiers référant au délestage même. Il s’agit de variables influençant la performance tout
en étant liée directement au délestage.

2.4. LE DÉLESTAGE
Dans les sections précédentes, nous avons compris que plusieurs variables pouvaient expliquer
la performance ; le délestage inclus. Nous avons établi comme indicateurs de performance les coûts
variables additionnels d’exploitation et pertes de ventes non écoulées à cause du délestage. Au
cours des paragraphes suivants, nous parlons uniquement de l’impact du délestage sur les firmes.

Tel que mentionné au début de ce travail, l’inadéquation des infrastructures est une limite au
fonctionnement des firmes. Cependant, cette inadéquation n’est pas un défi propre au Burundi.
Pour appuyer l’urgence de la création d’infrastructures, le 9ème Objectif de Développement Durable
(ODD)63 rappelle quelques chiffres. Face à l’inadéquation infrastructurelle, les fournisseurs

62
Une concentration régionale des firmes à Kinshasa qu’à Kisangani rend possible ce type de partage de facteurs et de
technologie de production.
63
Le PNUD définit ainsi les ODD : « Les Objectifs de Développement Durable (ODD), également nommés Objectifs
mondiaux, sont un appel mondial à agir pour éradiquer la pauvreté, protéger la Planète et faire en sorte que tous les
êtres humains vivent dans la paix et la prospérité ». Quant au 9ème ODD, selon le PNUD, il s’agit de « Mettre en place
une infrastructure résiliente, promouvoir une industrialisation durable qui profite à tous et encourager l'innovation.
[…]1 milliard de personnes n’ont toujours pas accès à l’électricité. Dans certains pays africains à faible revenu, les
contraintes d'infrastructure ont réduit la productivité des entreprises d'environ 40%. » (PNUD, 2018).
page 16 sur 60
nationaux de l’électricité et les firmes agissent différemment dans le court et le long-terme (Alam,
2013). Une fois l’interruption électrique constatée, les firmes tentent d’utiliser toute leur dotation
plutôt que d’investir en génératrices de secours (Alby et al., 2013). Si la fréquence des pannes
augmente, alors les firmes réallouent leurs facteurs de production (Berge et Udell, 2006) afin de
fonctionner malgré tout. Les firmes doivent tenir compte de leurs décisions courantes
d’investissement (Reinikka et Svensson, 2002) et d’autres dépenses courantes (Fisher-Vanden, et
al., 2012). En l’occurrence, certaines firmes évitent de distribuer des salaires durant les pannes
(Foster et Steinbuks, 2009; Hsieh et Klenow, 2009) en fermant boutique. Peut-être que d’autres
firmes désinvestissent (Banerjee et Moll, 2009), cessent ainsi de croître en taille et renvoient même
du personnel. Lorsque cette fréquence de coupures se combine avec la taille des firmes (Moyo,
2013), l’effet joint sur la performance est important. Pour croître, une firme achète un générateur,
selon trois critères principaux. Il s’agit du prix de vente de son extrant (Allcott et al., 2014), de
l’accès au crédit (Guerineau et Jacolin, 2014; Berger et Udell, 2006) et du coût variable additionnel
d’exploitation en usage de générateurs électriques (Caselli et Feyrer, 2007). Les firmes œuvrent de
la sorte pour une quête de performance économique (Dedrick et al., 2003) lors des coupures. C’est
un exercice important pour les indicateurs microéconomiques et macroéconomiques de
performance (Andersen et Dalgaard, 2013; Dedrick et al., 2003; Romer, 2011).

Reinikka et Svensson (2002), Alam (2013) et Moyo (2013) s’accordent pour dire que
l’inadéquation des infrastructures gène autant les firmes que le réseau électrique public. Devant
l’insuffisance infrastructurelle, le délestage électrique est l’une des solutions préconisées par le
secteur public. D’autres solutions alternatives au délestage existent notamment en Asie du sud-Est.
D’après Agénor et Moreno-Dodson(2016), dans le court-terme, le réseau électrique public peut
dissuader la demande d’électricité en faisant varier les prix d’électricité. Au niveau des firmes, de
telles variations de prix se comptabilisent en coûts marginaux de production64. Par ailleurs, les trois
auteurs préviennent aussi que le délestage n’affecte pas les petites et les grandes compagnies de la
même manière. Nous en avons fait le constat aussi au Burundi : les PME sont les plus touchées par
le délestage.

En s’inspirant de Moyo (2013), nous avons construit une nouvelle variable, pour mesurer la qualité
des infrastructures électriques. Cette variable est en fait le produit du nombre de pannes multiplié

(Source : https://www.undp.org/content/undp/fr/home/sustainable-development-goals.html)
64
Il est question ici de coûts marginaux de facteurs de production : capital et travail.
page 17 sur 60
par celui d’employés définissant la taille de la firme. Nous nous attendons à voir un effet négatif et
consistant du délestage, différemment connu par les firmes. Notre nouvelle variable indique un
effet est plus marqué sur la performance qui n’est plus possible sans les génératrices de secours.
Moyo (2013) a étudié l’effet de la qualité des infrastructures électriques en Ouganda, en Tanzanie
et en Zambie. L’auteur a défini cette qualité comme étant le produit des heures quotidiennes sans
électricité et des pertes dues au délestage. Statistiquement, il existe un effet consistant 65 de la
fréquence des pannes sur la performance des firmes. En effet, cette performance est négativement
corrélée avec la qualité des infrastructures électriques. Par conséquent, les firmes66 ressentent
différemment l’effet du délestage. L’auteur identifie le délestage comme une contrainte aux
opérations des firmes. Nous concluons notre revue de littérature dans la prochaine section.

2.5. CONCLUSION
En conclusion, disons que l’interruption électrique (non-planifiée) provoque forcément des
pertes de ventes non écoulées et change son offre de production. Pour compenser ces pertes
(Abeberese et al.,2017), l’entreprise peut à court-terme adapter son nombre d’employés. Elle va
d’abord recruter un employé additionnel (Zuberi, 2012) productif. Le nouvel employé accroitra la
production plus vite que ses collègues, en contrepartie du même taux réel de salaires. En acceptant
ce taux, cet employé rend l’utilité marginale du travail faible (Romer, 2011). Cependant, grâce à
cet employé, la firme espère évoluer vers son bris dans la densité de rentabilité67. Or, la firme n’a
plus de revenus suffisants pour encourager l’employé productif à la suite des pertes. Par
conséquent, il y a du chômage et certaines firmes peuvent fermer boutique durant les pannes (Foster
et Steinbuks, 2009; Hsieh et Klenow, 2009).

S’il y a du chômage, alors Romer (2011) indique que certains travailleurs préfèreront travailler
pour un salaire réduit. Selon cet auteur, ce marché du travail est du type Walrasien au niveau
agrégé. Selon lui, ce marché occasionne de grandes variations dans l’emploi avec de faibles
variations du taux réel de salaires. Il devient difficile pour les firmes d’être performantes sans faire
varier un autre facteur de production : le capital. Pour investir dans ce capital physique, la firme
prend en compte le taux d’inflation (Allcott et al., 2014), le taux d’intérêt réel (Guerineau et Jacolin,

65
Des tests de consistance ont été effectués et se révèlent significatifs. Pour plus de détails, voir la section sur les tests
d’hypothèses dans l’analyse empirique.
66
L’auteur préciser que non seulement les firmes ressentent différemment l’effet du délestage, au travers les
économies, l’effet n’est pas le même.
67
Niveau de production à partir duquel une entreprise est rentable.
page 18 sur 60
2014; Berger et Udell, 2006) et le taux de dépréciation68. La firme investira ses fonds de caisse ou
ses fonds de crédit. Par conséquent, le prix d’achat est un coût d’opportunité du gain espéré si ce
montant était investi. L’entreprise acquiert l’équipement si le coût marginal du capital (ou taux
d’intérêt réel) faible procure une productivité marginale du capital (ou taux de rendement réel)
importante. Avec les salaires distribués et l’achat de carburant des génératrices, l’amortissement
est l’un des coûts variables d’exploitation (Caselli et Feyrer, 2007). Une fois que les firmes
possèdent les groupes électrogènes, il ne leur reste plus qu’à maximiser leur profit.

Andersen et Dalgaard (2013) ont prouvé que le taux de croissance du PIB par habitant de l’Afrique
subsaharienne a souffert du manque d’infrastructures. Le délestage affecte négativement la
croissance du PIB par habitant dans le court-terme69 et dans le long-terme70 selon ces auteurs. La
croissance économique est un indicateur de performance macroéconomique de la performance,
lorsque cette dernière subit un effet du délestage. Dedrick et al. (2003), quant à eux, parlent de la
croissance de l’emploi comme indicateur de performance en agrégé.

Ce mémoire a retenu les papiers de recherche de Allcott et al., (2014) et Alby et al., (2013) pour
formuler une intuition derrière le recours aux générateurs. D’après Hseih et Klenow (2012), plus
une firme croît, plus elle a un accès facile et privilégié à l’hydroélectricité. En cas de pannes, une
entreprise produira sans usage de générateurs, grâce à sa dotation initiale (Alby et al., 2013). Cette
firme enregistre des pertes dues aux coupures électriques. Toutefois, elle couvre ses pertes parce
que son prix de vente de l’extrant est supérieur à son coût de production de l’électricité alternative71
(Allcott et al., 2014). Parallèlement, ce coût doit être supérieur à sa propre dotation initiale. La
compagnie devra emprunter pour avoir un générateur électrique (Alby et al., 2013). Allcott et al.,
(2014) précisent le genre de firmes plus marquées par les pertes comme la dotation le permet

68
La dépréciation est importante puisqu’elle informe sur l’amortissement de l’actif.
69
Notre traduction. Cité de Andersen et Dalgaard (2013), p. 21. :
«[…] a one log point change in the number of outages during a typical month leads to a reduction in average
annual growth of GDP per capita of about two percentage points. Put differentially, an increase in outages by
one standard deviation (about 0.85 log points, or approximately 2.3 outages) instigates a reduction in growth
of about 1.5 percentage points, or slightly less than one standard deviation in growth in our sample (std. dev.
of adjusted growth is approximately 1.7%). »
70
Notre traduction. Cité de Andersen et Dalgaard (2013), p.22. :
« The long-run level effect implied by our estimates can then be assessed by setting g = 0 (or given at some
exogenous non-zero level; a steady state assumption) and then proceed to isolate log(GDP per capita) in the
regression equation. We obtain log (GDPper capita) = − (0.02/ 0.007) ∗ log (OUTAGES) = −2.86 ∗ log
(OUTAGES). Hence, a one percent increase in outages reduces long-run GDP per capita by 2.86%. »
71
La production de l’électricité alternative par la firme renvoie au mot anglais « auto-generation » souvent employé
dans la littérature (voir Allcott et al, 2014 et Alby et al, 2013). Notre traduction.
page 19 sur 60
toujours, la compagnie choisira de produire à pertes (Alby et al., 2013; Allcott et al., 2014) plutôt
que de s’équiper tout de suite en générateurs. En se développant, son prix de vente d’extrant sera
compris entre le coût de de production de l’électricité alternative et le prix d’achat de
l’hydroélectricité (Allcott et al., 2014). En cas de pannes, la firme ne produira pas. Cependant, si
son coût de production de l’électricité alternative est inférieur à sa propre dotation, elle va
s’équiper en générateur (Alby et al., 2013). La firme investira en générateur lorsque sa productivité
en temps normal (sans délestage) est supérieure à celle des générateurs (Alby et al., 2013). L’effet
du délestage est important sur les pertes de ventes non écoulées que celui sur les coûts. Cet effet
devrait être important chez les firmes sans génératrices de secours. C’est ce que nous vérifions pour
le Burundi.

Dans la section suivante, nous décrivons les données, les modèles sans oublier la méthodologie de
recherche.

SECTION 3 : DONNÉES ET MÉTHODOLOGIE

Dans cette section, nous allons décrire les données, revenir sur notre méthodologie et introduire
nos modèles respectivement dans les sous-sections 1, 2 et 3. Dans la sous-section 4, nous
rapportons le tableau I de la statistique descriptive.

3.1. DONNÉES

Nous présentons dans cette section les données. Notre base de données comprend au total 102
entreprises72 réparties en 575 variables en coupe transversale 73. Nous analyserons le comportement
des firmes au travers et entre elles. Il revient à dire que nous cherchons à savoir ce que fait une
PME sans générateur sachant le comportement d’autres firmes. Les données sont divisées en 3
classes (petites, moyennes et grandes firmes) selon les règles de l’International Standard Industrial
Classification, Revision 3.1. Par conséquent, les tailles des firmes sont les suivantes : sont dites
petites firmes (5-19 employés à temps plein), moyennes firmes (20-99 employés) et grandes firmes
(100+employés).

72
Ces entreprises comprennent des sociétés en commandites, des entreprises unipersonnelles, des sociétés de
responsabilité et des sociétés anonymes. Il y a dedans de jeunes startups comme des manufactures plus âgées. Les
entreprises peuvent être privées, parapubliques ou publiques.
73
En étudiant la seule année de 2006, nous n’avons pas de séries temporelles. Par conséquent, nos données ne sont pas
des panels balancés (en coupe longitudinale) puisqu’elles n’ont que la dimension transversale.
page 20 sur 60
Les données proviennent du questionnaire de WBES, intitulé « Enquête sur le Climat des
Investissements et la Productivité – Manufacturier 74 ». Selon la note d’exécution de l’enquête75,
l’usage des données de World Bank Enterprise Survey’s (WBES) est adapté à une étude de la
performance des firmes76. Leur méthodologie d’échantillonnage sert à épurer des données en
panels faciles d’analyse. Nous avons choisi l’année 2006 pour la disponibilité des données. Cette
année rapporte l’enquête faite sur les villes importantes burundaises en 2005, respectivement sur
l’emploi, l’accès au capital, le financement, les relations avec l’État et la productivité.
Conformément à la note d’application de l’enquête (implementation note en anglais), chaque firme
a un minimum de 5 employés77 et peut aller au-delà de 100 employés. Elle peut avoir des employés
formés ou non, avoir accès à l’exportation ou non et avoir plus d’un actionnaire ou non. Les
caractéristiques qualitatives de la firme en infrastructures sont l’électricité, l’eau, le transport et les
communications78.

Toutes les firmes de notre base de données sont localisées dans une même et seule ville de
Bujumbura. Cependant, la méthodologie d’échantillonnage de WBES s’assure d’inclure dans leurs
bases de données des industries représentatives de l’économie du pays. En effet, le nombre
d’entreprises incluses dans chaque base de données dépend du PIB brut. Les pays où le secteur
privé est faible, WBES s’assure de choisir des représentants de toutes les industries79. Nous allons
effectuer une analyse de la performance grâce à l’analyse de la taille des firmes. Les bases de

74
Voir le Questionnaire d’enquête aussi sur le site de
l’ISTEEBU (source:http://www.isteebu.bi/nada/index.php/catalog/10/download/58)
75
Notre traduction de l’anglais implementation note.
76
Tiré de WBES : Understanding the Sampling Methodology, version de Janvier 2007(source:
http://documents.worldbank.org/curated/en/484931468156894681/pdf/442780WP0BOX321mpling1Note01PUBLIC
1.pdf).
« Les Enquêtes d'entreprise sont conçues pour fournir des ensembles de données de panel […] meilleurs
moyens de déterminer comment et quels changements dans l'environnement des entreprises affectent la
productivité et la création d'emplois au niveau de l'entreprise dans le temps et dans les différents pays ».
Notre traduction.
77
Voir WBES : How to Implement the survey, p. 4 (source :
https://www.dropbox.com/s/3g7t366ivr952oq/Implementation_note.pdf?dl=0)
« The Enterprise Surveys are targeted to a set of firms; manufacturing and retail/wholesale establishments
with five (5) or more full-time employees, located in major urban centers. […]. Manufacturing operations are
generally conducted in facilities described as plants, factories, or mills, and characteristically use power-
driven machines and materials-handling equipment. […]. »
78
Tiré de WBES : How to Implement the survey, p. 2 & 5 (source :
https://www.dropbox.com/s/3g7t366ivr952oq/Implementation_note.pdf?dl=0)
79
Il faut souligner que WBES prévient qu’en général une base de données d’une économie à faibles revenus est
représentative lorsqu’elle comprend 240 firmes. Évidemment, cela dépend de la disponibilité des données. Voir
WBES : Understanding the Sampling Methodology (2007), p.4.
page 21 sur 60
données de WBES sont justement réputées pour des études des moyennes ou des proportions des
populations80. Nous expliquons en Annexes comment notre échantillon représente environ une
population de 4000 firmes burundaises81. Notre échantillon devrait traduire le comportement
d’environ 92.5 % à 95% de firmes burundaises d’après la méthodologie de WBES82. Selon la
méthode d’échantillonnage toujours de WBES, il faut être prudent dans nos conclusions d’étude
de données catégorielles83. En effet, le questionnaire utilisé ne respectait pas la méthodologie
d’échantillonnage global84. Par conséquent, il est possible de trouver des résultats qui ne
représentent pas la population des firmes 85. Cet aspect pourrait être un enjeu économétrique créant
une erreur de mesure. Cette méthodologie peut conduire à un problème d’identification du modèle.
Sans que le modèle soit en cause, il échouerait à renfermer toutes les variables traduisant le
comportement global des firmes. Les entreprises sont ici manufacturières et de services. Par
ailleurs, une note sur la grande base de données de WBES à laquelle appartiennent nos données
(Standardized Dataset en anglais), l’équipe de WBES met à jour régulièrement les données. Il est
possible que nos données en coupe transversale ne soient pas issues de la plus récente mise à jour.
Nos résultats souffriraient d’un biais de sélection ainsi défini :

« Erreur systématique de conception, de conduite ou d’interprétation d’une étude qui pourra

fausser le résultat. Par exemple, un biais de sélection peut se produire quand les résultats
d’une étude sont déformés par la manière dont les participants sont choisis. » (CCNMO,
2020)86.
« Le biais de sélection [...] est généralement associé aux recherches où la sélection des
participants n'est pas aléatoire (c'est-à-dire aux études observationnelles telles que les études
de cohorte, les études cas-témoins et les études transversales).» (IWH, 2014) 87.

80
Tiré de WBES: Understanding the Sampling Methodology (2007), p.3.
81
Voir en ANNEXES, Titre A.1. Nous revenons sur les implications de la méthodologie d’échantillonnage.
82
Voir Enterprise surveys and indicator surveys: Sampling Methodology, Section 2, paragraphes 12 & 13, p.4-6,
version de Aout 2009 (source :https://fdocuments.in/embed/v1/enterprise-survey-and-indicator-surveys-sampling-
mediafpdkmenterprisesurveysenterprise.html).
83
Nos données comprennent des variables rapportées selon la subdivision des firmes par leurs tailles (petites,
moyennes et grandes firmes). Dans notre étude, nous explorons des effets justement selon la taille des firmes.
84
Cette méthodologie consiste à harmoniser la méthodologie de travail et le questionnaire de base pour toutes les
économies d’après Enterprise surveys Indicator description, version de Mars 2014 (source :
https://www.dropbox.com/s/lc5dijlmyhumc9e/Indicator-Descriptions.pdf?dl=0).
85
Voir Enterprise surveys Indicator descriptions, version de Mars 2014. Il est à noter que la méthodologie
d’échantillonnage global a été instauré en 2006. Or, nos données ont été recueillies à l’aide du questionnaire fait en
2005. Comme il n’y a pas eu de note trouvée sur la méthodologie d’échantillonnage de l’époque (avant 2007), il est
possible que nos résultats traduisent quand même un comportement global. C’est en sachant que toutes les données
compilées après 2007 proviennent d’un questionnaire suivant la méthodologie d’échantillonnage global.
86
CCNMO (2020), Glossaire, McMaster University, Hamilton,Ontario (source : https://www.nccmt.ca/fr/glossaire).
87
Notre traduction. Voir IWH(2014), At work 96 : Spring 2014, Institute for Workand Health, Toronto, Ontario
(source: https://www.iwh.on.ca/what-researchers-mean-by/selection-bias):
page 22 sur 60
D’après Vella (1998), le biais de sélection est encore beaucoup plus fréquent lorsqu’il est question
d’étudier des sous-échantillons corrélés avec la variable d’intérêt. Une telle limite sur nos données
qualitatives et en coupe transversale demanderait une estimation par les MCO pour avoir un
estimateur consistant à effets fixes. Néanmoins, l’estimateur de la GMM (Generalized Methods of
Moments)88 est plus approprié pour neutraliser le biais de sélection et corriger l’estimation par les
MCO89. Or, dans notre cas, le biais de sélection viendrait d’un usage de données qui ne sont pas à
jour. Une correction de ce biais par les données les plus à jour suffit. Après vérification, nous
n’avons trouvé qu’une seule version à savoir la version initialement publiée par WBES90. Il était
prévu dans leur méthodologie d’échantillonnage de réinterroger les firmes aux trois (3) ans91. Ce
qui n’a pas été le cas au Burundi. Puisqu’il n’y a pas eu de mise à jour, il n’y avait pas possibilité
de corriger l’éventuel biais par l’étude de nouvelles données. Nous n’avons donc pas jugé
nécessaire de lancer des régressions par la méthode GMM. Les MCO seront suffisants. Nos
données permettent de comparer des différences de coefficients entre les firmes. En effet, une
variation marginale de nos variables explicatives traduit une variation de la performance. Cette
variation est traduite par l’importance et le signe du coefficient. Or, les MCO assument que les
variables explicatives sont exogènes entre elles et homoscédastiques, avec une variable expliquée
continue (Stock et Watson, 2015; Kowal, 2016). D’autres tests de validité furent effectués en
Annexes92 pour confirmer que nous ne violons pas d’hypothèses implicites des MCO. Au lieu de
lancer les régressions pour un estimateur GMM, nous avons opté de mettre plus de variables
explicatives de la performance dans nos équations.

Les variables d'intérêt suivantes ont été retenues grâce à la littérature mentionnée précédemment.
Les variables expliquées doivent être, selon Abotsi (2016), Cissokho et Seck (2013) et Bonnet et

« Selection bias [...] is usually associated with research where the selection of participants isn’t random (i.e.
with observational studies such as cohort, case-control and cross-sectional studies). »
88
Traduit en français Méthode des moments généralisées (MMG). Traduction de Heyer, E., Pelgrin, F., et Sylvain, A.
(2004). Durées d'utilisation des facteurs et fonction de production: une estimation par la méthode des moments
généralisés en système. Bank of Canada, Working Paper 2004-12.
89
Voir Vella, F. (1998), p.156:
« Although sample selection is commonly confronted in cross-sectional studies, it is less frequently
considered a concern in panel data estimation. This is partially due to the conception that fixed effects
estimation will eliminate most forms of unobserved heterogeneity. Although certain forms of selection bias
are eliminated by fixed effects estimators (see Verbeek and Nijman 1992a,b), other forms of selection bias
and heterogeneity will not be eliminated. » (Vella, 1998)
90
Voir les informations fournies par la World Bank microdata library (source :
https://microdata.worldbank.org/index.php/catalog/483)
91
Voir WBES: Understanding the Sampling Methodology (2007), p.9.
92
Voir ANNEXES, Titre A.3.
page 23 sur 60
al., (1999) : le coût variable en usage de générateurs (cvariable 93) et la perte due à l’usage de
générateur (pertes94). Selon notre formulation, ceux-ci comprennent une partie de ventes et une
partie de matières premières (ou de dépenses excédentaires) affectées par le délestage. Selon Alam
(2013), Bowen et al., (2009), Abeberese (2017) et Moyo (2013), les principales variables de
contrôle affectant la performance sont respectivement : les coupures électriques (coup95), la taille
des firmes (taille96) et la qualité de la valeur énergétique ou électrique (taillecoup97). Cette
dernière variable est une combinaison linéaire de la taille des firmes et du délestage. Quant au
délestage lui-même, il est représenté par le nombre de fois l’électricité est coupée en un mois de
travail. Selon Cabral et Mata (2003), ce n'est pas uniquement le délestage qui peut expliquer une
faible performance des firmes, mais aussi l’âge et les contraintes financières des firmes. Voici
d'autres variables de contrôle d’intérêt98 qui peuvent influencer la performance. Il y a la garantie
au prêt (guaranty99 ), le prêt bancaire (bank100) et le prêt informel (informel101) selon Banerjee et
Moll (2009), Alby et al., (2013), Moll (2013) et, Caselli et Feyrer (2007). À ceux-ci, nous pouvons
rajouter la capacité (capacity102) selon Abotsi (2016), les ventes (sales103) et la sécurité

93
Les coûts variables additionnels d’exploitation comprennent les salaires, les coûts des matières premières, le loyer
et le carburant (et électricité) attribuables à l’usage de générateurs électriques. La variable devient lcvariable si nous
rajoutons le logarithme.
94
Les pertes sont faites de pertes de matières premières, de frais additionnels de personnel et de pertes de ventes. La
variable devient lpertes si nous rajoutons le logarithme.
95
Les coupures électriques (ou précisément, le nombre de coupures) sont dans notre base de données présentées par
mois de travail. Ainsi, nous avons ramené cette variable à une valeur annuelle.
96
Nous avons aussi rajouté la variable « taille2 » qui représente le carré de la taille des firmes. Du plus, la variable
« taille » réfère toujours au logarithme de la taille des firmes.
97
Comme nous pouvons le voir, c’est davantage un produit scalaire (multiplication de deux vecteurs) qui donne la
combinaison linéaire.
98
Pareillement, voici d’autres variables issues de la littérature mais peu intéressantes selon le tableau III : de la sélection
pour avoir droit à un prêt, des sources de financement informelles donc autres que bancaires ou d’origine financière,
des sources de financement bancaires.
99
Selon notre base de données, la garantie sur emprunt est la valeur de garantie requise en pourcentage de la valeur de
la ligne de crédit ou de l’emprunt. La variable devient lguaranty si nous rajoutons le logarithme.
100
En formulant cette variable, nous y avons inclus autant le prêt de banque privé ou d’une institution financière que
les actifs et bâtiments financés par les banques. De plus, nous y avons rajouté le taux d’intérêt ainsi que le montant
d’une ligne de crédit. Évidemment, tous ces prêts formels ont pris en considération le court-terme et le long-terme. La
variable devient lbank si nous rajoutons le logarithme.
101
Pour cette variable, il est question de source informelle de prêts allant de prêts familiaux jusqu’au crédit commercial
des fournisseurs ou des clients sans oublier les sources peu orthodoxes d’emprunts (prêteurs par exemple comme c’est
mentionné dans nos données). La variable devient linformel si nous rajoutons le logarithme.
102
Par cette variable, l’on entend le niveau d’utilisation de la capacité de production, par rapport aux pertes enregistrées
durant le délestage malgré l’usage d’un générateur électrique. Ce niveau d’utilisation est ainsi défini dans le
questionnaire associé à notre base de données : Le niveau effectif de production en 2005 par rapport au niveau maximal
qui aurait pu être produit avec vos installations de l’époque (les mêmes équipements durant les quarts de travail
réguliers). La variable devient lcapacity si nous rajoutons le logarithme.
103
La variable devient lsales si nous rajoutons le logarithme.
page 24 sur 60
(security104 ) d’après Doe et Asamoah (2014) et Fisher-Vandem et al., (2012). Nous verrons plus
tard si ces indicateurs sont plus appropriés que les deux autres déjà mentionnés (pertes et
cvariable). Enfin, nous avons la variable « infrastructures »105. Cette variable représente la valeur
annuelle de dépenses en eau et en électricité. Telle que nous venons de la définir, cette variable est
pour une firme une autre dépense d’exploitation. Par conséquent, il faut la comparer (surtout
infrastructure/employé) à celle du délestage (coup). Enfin, il y a les variables durée et dépenses,
respectivement pour la durée des coupures et la part des dépenses électriques associées à l’usage
de générateurs106.

Il existe une autre limite dans nos données, qui invite à la prudence dans nos interprétations.
L’étude d’un effet quelconque pour la seule année de 2006 vient avec des variables explicatives
retranchées107 (de l’anglais « demeaned ») par le temps. Encore une fois, cet aspect représente un
même enjeu économétrique d’identification. Notre modèle pourrait ne pas être identifiable et ne
pas traduire le comportement de la totalité de la population des firmes burundaises.

Dans la prochaine section, nous allons élaborer notre méthodologie.

3.2. MÉTHODOLOGIE

Revenons sur notre méthodologie. Il s’agit d’une étude des points médians des histogrammes
de la densité d’une variable. De McCrary (2008), l’établissement de l'estimateur de densité linéaire
locale se fait en deux étapes. La première étape est un histogramme très peu lissé. Les cases de
l'histogramme sont définies avec suffisamment de soin pour qu'aucune case de l'histogramme ne
comporte de points à la fois à gauche et à droite du point de discontinuité. Cette étape est basée sur
la table des fréquences d'une version discrète de la variable courante. La deuxième étape est le
lissage linéaire local de l'histogramme. Les points médians des cases de l'histogramme sont traités
comme un régresseur, et comme des points de discontinuité. Les comptages normalisés du nombre
d'observations qui tombent dans les bacs sont traités comme une variable de réponse. Pour tenir

104
Cette variable représente le coût monétaire ou en pourcentage de ventes de la demande de prestations de sécuriser
les établissements des firmes.
105
Selon notre base de données, voici la formulation de cette variable : infrastructures = l3a. Il s’agit de la valeur
annuelle des dépenses en électricité.
106
Sur l’ensemble des dépenses en électricité faites par les firmes, la variable « dépenses » est l’équivalent des dépenses
électriques faites uniquement en cas d’usage ou de partage de générateurs. Il était question de savoir dans quel ordre
de grandeur cette part de dépenses était importante par rapport au coût de l’alimentation électrique.
107
Traduction de Leblond (2003), p.26 et 31. C’est une caractéristique des données en panels débalancés.
page 25 sur 60
compte de la discontinuité potentielle de la densité, un lissage linéaire local est effectué séparément
pour les bacs à droite et à gauche du point de discontinuité potentielle108. Dans ce mémoire, nous
examinons si le délestage pourrait occasionner (ou pas) un bris dans la densité de discontinuité de
la performance.

Une fois les bris dans la densités potentiels ainsi établis, nous examinons les coefficients des
variables. La constante et la pente sont autant importantes pour ne pas biaiser nos résultats. Dans
notre cas, nous avons effectué une différence109 (soustraction) entre coefficients des variables, par
catégorie de firmes. Cette différence nous renseigne sur l’importance de l’écart existant entre les
firmes. Il revient à dire qu’en fait nous estimons en deuxième étape, une nouvelle variable
équivalente à cet écart. Il en résulte que les petites firmes devraient ressentir davantage les effets
du délestage que les grandes firmes. Étant donné que cet écart entre firmes, nous devons aussi tester
l’égalité des moyennes des catégories de firmes. Par conséquent, il faut s’assurer que l’estimateur
de notre différence aura une erreur-type tendant asymptotiquement à l’écart-type. La présence de
groupes de firmes suppose que les erreurs-types locales (par groupe) sont une bonne précision de
l’étendue de la variance. Deux approches sont adoptées dans la littérature pour contourner ce
problème. Premièrement, par rapport à une largeur de bande dont on pense qu'elle minimise l'erreur
quadratique moyenne, on peut choisir une largeur de bande plus petite. L'espoir est que le biais soit
ainsi suffisamment réduit pour qu'on puisse l'ignorer. Deuxièmement, on peut estimer le biais. Cela
implique le choix d’une autre largeur de bande110.

108
Notre traduction. Voir McCrary (2008), p.6 :
« Implementing the local linear density estimator involves two steps. The first step is a very under smoothed
histogram. The bins for the histogram are defined carefully enough that no one histogram bin includes points
both to the left and right of the point of discontinuity. The second step is local linear smoothing of the
histogram.
The midpoints of the histogram bins are treated as a regressor, and the normalized counts of the number of
observations falling into the bins are treated as an outcome variable. To accommodate the potential
discontinuity in the density, local linear smoothing is conducted separately for the bins to the right and left of
the point of potential discontinuity, here denoted c.
The first-step histogram is based on the frequency table of a discretized version of the running variable […]. »
109
McCrary (2008), p.3 et 7 explique aussi que les estimateurs peuvent être des différences logarithmiques en hauteurs
des coefficients.
110
Notre traduction. Voir McCrary (2008), p.8 :
« Practically, this means that a confidence region for θb constructed using the standard error above will give
good coverage accuracy for the probability limit of θb, as opposed to good coverage accuracy for θ. Two
approaches are taken in the literature to circumvent this problem. First, relative to a bandwidth which is
believed to minimize the mean squared error, one can choose a bandwidth smaller than that. The hope is that
the bias is thereby sufficiently reduced that it may be ignored. Second, one can estimate the bias. These bells
the cat in that it requires choosing another bandwidth. »
page 26 sur 60
De ce qui précède, voici comment nous établissons nos bacs et nos fenêtres de variation. Il s’agit
aussi de définir les points bris dans la densités. Nous commençons par 5 employés comme nombre
d’employés minimum que peut avoir une firme. Dans notre étude, l’analyse de la taille des firmes
par le nombre d’employés s’arrête lorsqu’une firme a 50 employés111. Avec un employé
additionnel, une firme change de catégorie et devient plus grande. Autrement dit, une augmentation
marginale du nombre d’employés fixe un nouveau niveau de croissance des firmes. Au moyen de
ces niveaux de croissance des firmes, nous effectuons une différence de coefficients des variables
explicatives entre petites et grandes firmes. Nous pouvons de la sorte cibler à quel moment
l’interruption électrique affecte différemment les firmes.

La première étape de l'histogramme est le nuage de points (Xj, Yj). La deuxième étape consiste à
lisser l'histogramme en utilisant la régression linéaire locale. Formellement, l'estimation de la
densité est donnée par une fonction Kernel dont la largeur de la fenêtre définit les observations qui
sont incluses dans la régression. En d'autres termes, la deuxième étape consiste à lisser
l'histogramme en estimant une régression pondérée utilisant les points médians des bacs pour
expliquer la hauteur des bacs, en donnant le plus de poids aux bacs les plus proches où l'on essaie
d'estimer la densité. Il est facile d’estimer la fonction de densité entière, en passant par les points
d'évaluation112. Ainsi, notre analyse graphique sera essentiellement faite sur les indicateurs de
performance selon les propositions de cette méthodologie.

Regardons maintenant le modèle choisi pour constater la part de la performance expliquée par la
taille et le délestage.

3.3. MODÈLES ET HYPOTHÈSES

Dans cette section, nous évoquons nos modèles. Nous étudions l’effet du délestage sur la
performance de l'entreprise. Notre modèle central approprié à une telle étude du comportement
des firmes est inspiré de Goyette (2014):

111
Par souci de clarté de présentation des résultats, nous n’avons rapporté que les résultats allant jusqu’à 30 employés
(plutôt que 50 employés) dans nos tableaux.
112
Notre traduction. Voir McCrary (2008), p.6-7 :
« The first-step histogram is the scatterplot (Xj, Yj). The second step smooths the histogram using local linear
regression. Formally, the density estimate at r is given by a Kernel function with the window width defining
which observations are included in the regression. In words, the second step smooths the histogram by
estimating a weighted regression using the bin midpoints to explain the height of the bins, giving most weight
to the bins nearest where one is trying to estimate the density. It is straightforward to estimate the entire
density function, f(r), by looping over evaluation points r. »
page 27 sur 60
 𝑘

𝑦𝑖 = ∅0 + ∅1 𝐷𝑠𝑚𝑎𝑙𝑙 𝑥𝑖 + ∅2 𝐷𝑙𝑎𝑟𝑔𝑒 𝑥𝑖 + ∑ ∅𝑗 𝑧𝑗𝑖 + 𝜀𝑖 (𝟏)

𝑗=1

Où y = indicateur de performance ; x = fréquence du délestage ; z = autres facteurs qui

influencent la performance de l'entreprise et caractéristiques observables des firmes;
D = dummy à deux valeur 0 et 1. Ds =1 si petites firmes et 0 sinon et Dl = 1 si grandes
firmes et 0 sinon; ε = terme d’erreur
Où ∅0 = constante (ou ordonnée à l’origine ou y-intercept113 en anglais) et ∅1 = tendance et
coefficient(s) de la (des) variable(s) explicative(s) d’intérêt et ∅𝑗 = tendances et
coefficients d’autres variables explicatives
La constante ou intercept114 est recommandée selon les recherches de Cabral et Mata (2003). En
effet, ces auteurs ont rappelé que ce n’est pas que le délestage qui affecte la performance mais aussi
l’âge et les contraintes financières des firmes. Ainsi, il peut exister un effet d’une variable
explicative non observable dans ce modèle qui peut affecter le délestage. Abeberese (2017) a
suggéré la taille des firmes pouvait être cette variable non observable. D’ailleurs, Cabral et Mata
(2003) avaient prouvé que l’âge et la taille des firmes n’étaient pas indépendants l’un de l’autre.
S’ils sont choisis comme variables explicatives, tout au moins, il faut vérifier s’ils sont
indépendants du délestage115. En moyenne, toutes les entreprises ayant une même taille devraient
se comporter selon notre modèle. Nous avons initié des variables catégorielles (qualitatives) 116
faites de dummies117 et du délestage d’une part, et de l’autre de dummies et de la qualité de
l’infrastructure électrique. Conformément à nos questions de recherche, il faut vérifier l’effet du

113
Anderson, D.R., Sweeney, D.J., Williams, T.A. et Camm, J.D., Cochran, J.J. (2015). Statistiques pour l'économie
et la gestion 5è édition. De Boeck Supérieur (1ère éd.: 2007). D’après ces auteurs (p.673), l’ordonnée à l’origine est
dite l’intercept de y puisqu’il s’agit du point ordonnée lorsque x,z=0. Cette nuance est importante lorsqu’il est possible
d’avoir des abscisses à l’origine. Nous verrons plus loin que l’un de ces abscisses peut correspondre à un bris dans la
densité.
114
Voir la définition en Annexes, Titre A.4.
115
En cas d’hétérogénéité non observée et de simultanéité, les estimateurs standard des moindres carrés ordinaires ou
Within se révèlent généralement insatisfaisants. Dans cette perspective, l’estimateur de la méthode des moments
généralisés en différence première (MMGD) est souvent retenu (Heyer et al., 2004).
116
Voir Gouvernement du Québec (2013). Glossaire des termes usuels en mesure de performance et en évaluation :
Pour une gestion saine et performante. Secrétariat du Conseil du trésor du Québec.
Voici la définition que donne cet ouvrage d’une variable qualitative (ou catégorielle) : « Se dit des variables ou des
données revêtant une forme discursive et des variables mesurées sur des échelles nominales ou ordinales, par exemple
« excellente », « moyenne », « inférieure à la moyenne », et donc non métriques. » Dans notre cas, les échelles ordinales
sont « petites firmes » et « grandes firmes ». (source:
https://www.tresor.gouv.qc.ca/fileadmin/PDF/publications/glossaire_termes_usuels.pdf)
117
Traduction de OCDE (2006). Glossaire de l'économie de l'OCDE : Anglais-Français. Éditions OCDE, Paris. Voici
la définition que donne cet ouvrage d’une variable dummy: « variable indicatrice(muette) [Nota : prend uniquement
les valeurs 1 ou 0 selon que l’on veut ou non prendre en considération l’élément en question] [STA] » (source :
https://fospourtoi.files.wordpress.com/2016/10/oecd-glossaire-de-lecc81conomie-de-locde-_-anglais-franccca7ais-
oecd-publishing-2006.pdf).
page 28 sur 60
délestage sur la taille des firmes. Il s’agit de l’effet du délestage connu par les petites firmes versus
les grandes. Cependant, la REGIDESO opère des interruptions électriques sans égard de taille des
firmes. Il est donc difficile d’avoir un effet pertinent de la taille des firmes sur la performance. En
l’absence d’effet direct de la taille sur la performance, les variables catégorielles sont nettement
plus appropriées à cette étude.

Nous aimerions avoir des estimateurs (coefficients) consistants et efficients. Pour avoir ce type de
coefficients, il faut utiliser le modèle des MCO avec dummies dans nos régressions. Il faudra tester
l’efficience des estimateurs afin de vérifier si la variance associée est le plus petit possible. Par leur
consistance, nous saurons qu’avec davantage d’observations, le modèle donne un estimateur plus
précis. Il s’agit d’un estimateur qui à la limite tend vers le véritable coefficient observé dans la
population des firmes.

Par la suite, nous analysons l’impact de la taille de l'entreprise sur la performance des firmes. La
taille de l'entreprise saisie directement et séparément dans l'équation : s = taille de l'entreprise.

𝑦𝑖 = ∅0 + ∅1 𝐷𝑠𝑚𝑎𝑙𝑙 𝑥𝑖 + ∅2 𝐷𝑙𝑎𝑟𝑔𝑒 𝑥𝑖 + ∅3 𝐷𝑠𝑚𝑎𝑙𝑙 𝑠𝑖 + ∅4 𝐷𝑙𝑎𝑟𝑔𝑒 𝑠𝑖 + ∑𝑘𝑗=1 ∅𝑗 𝑧𝑗𝑖 + 𝜀𝑖 (𝟐);

pour tout Ds et Dl dummies respectifs des petites et des grandes firmes.
L’hypothèse centrale est que pour rester performantes durant les coupures, les firmes accommodent
leur production. Si ∅1 et ∅2 sont significatifs, alors nous rejetons H0 . Dans ce cas, il existe une
relation entre nos variables explicatives d’intérêt sur la performance. C’est une relation
particulièrement ressentie par les petites firmes :
𝐻𝑎1 : 𝐷𝑥𝑠𝑖 < 𝐷𝑥𝑙 𝑖 ; pour le nombre de coupures
𝐻0: 𝐷𝑥𝑠𝑖 = 𝐷𝑥𝑙 𝑖 et
𝐻𝑎2 : 𝐷𝑥𝑠𝑖 > 𝐷𝑥𝑙 𝑖 ; pour la taille des firmes
Les régressions sont lancées par catégorie d'entreprises : petites/moyennes versus grandes firmes.
Nous y explorons les non-linéarités ou les bris dans la densités de taille des entreprises. Nous
étudions la spécification quadratique pour répondre à la question d’un délestage subi différemment
par taille. Il s’agit de vérifier s'il existe une relation en forme de U ou en forme de U inversé) :
𝑘

𝑦𝑖 = ∅0 + ∅1 𝐷𝑥𝑖 + ∅2 𝐷𝑠𝑖 + ∅3 𝐷𝑠𝑖2 + ∑ ∅𝑗 𝑧𝑗𝑖 + 𝜀𝑖 (𝟑)

𝑗=1

Dans cette prochaine équation, il s’agit de vérifier si la taille de l'entreprise interagissait avec la
fréquence des coupures. Nous introduisons cette combinaison de la taille avec la fréquence des
pannes que Moyo (2013) appelle la qualité de l’infrastructure énergétique (ou électrique). Nous
nous attendons à voir un effet négatif et consistant du délestage, différemment connu par les firmes.

page 29 sur 60
Ainsi donc, il se peut que le comportement des firmes ne change pas à cause d’un bris dans la
densité de leur taille118. Elles pourraient adapter leur comportement selon leur expérience durant la
coupure hydroélectrique.
𝑘

𝑦𝑖 = ∅0 + ∅1 𝐷. (𝑥𝑖 ∗ 𝑠𝑖 ) + ∑ ∅𝑗 𝑧𝑗𝑖 + 𝜀𝑖 (𝟒)

𝑗=1

Nous pouvons aller encore plus loin en regardant le double effet du carré de la taille des firmes et
de la qualité de l’infrastructure électrique. Nous voulons voir si le délestage touche différemment
les firmes étant donné un niveau donné de croissance de la taille, créant un changement de pentes
de l’effet du délestage sur la performance. Certaines firmes connaîtraient l’effet du délestage sur
leur taille tandis que d’autres, la ressentiraient juste après ce niveau de croissance:
𝑘

𝑦𝑖 = ∅0 + ∅1 𝐷𝑥𝑖 + +∅2 𝐷𝑠𝑖2 + ∅3 𝐷. (𝑥𝑖 ∗ 𝑠𝑖 ) + ∑ ∅𝑗 𝑧𝑗𝑖 + 𝜀𝑖 (𝟓)

𝑗=1

Dans la suite de cet exposé, nous regarderons statistiques descriptives d’une liste de variables de
la base de données. Les résultats sont rapportés par le tableau I.

3.4. ANALYSE STATISTIQUE

Dans cette section, nous examinons les statistiques descriptives après une brève introduction.

3.4.1 Introduction
Dans cette section, et surtout dans le tableau I, nous énumérons différentes variables
d’intérêt décrites ci-haut en indiquant leurs moyennes (« mean ») et leurs écart-types (« sd119 »).
Avant d’utiliser ces variables dans nos régressions, nous analysons leurs statistiques descriptives.
L’objectif de cette approche « exploratoire120 » de données est de relever les caractéristiques des
« déterminants » de la performance. Ces caractéristiques dans notre échantillon renseignent sur le

118
De Stern, V. M., R. E. Smith, R. van den Bosch, et K. S. Hagen. The Integrated Control Concept. Hilgardia, 29
(1959): 81-101. Voici la définition de « bris dans la densité » que donnent les auteurs: «density at which control
measures should be initiated to prevent an increasing pest population from reaching the economic injury level. »
119
Sims (2000) définit ainsi le mot « standard deviation(sd) » :
« Standard Deviation. The standard deviation is an appropriate measure of dispersion for continuous
variables. It is calculated as the square root of the variance. » (Sims, 2000, p.20).
120
Le terme est issu de Alarello, L., Bourgeois, E. et Guyot, J.L. (2007). Statistique descriptive: un outil pour les
praticiens-chercheurs. De Boeck Supérieur, p. 16. Ces auteurs indiquent que la statistique descriptive contribue ainsi
en une contextualisation générale du phénomène observé avant de l’étudier.
page 30 sur 60
comportement général au sein de la population des firmes121. La statistique descriptive aide à
examiner les caractéristiques des densités des variables (bris dans la densité, allure, courbure, etc.).

Pour ce faire, nous utilisons les quatre moments d’ordre122 : la moyenne, la symétrie, le kurtosis et
l’écart-type. Le choix des moyennes et d’écart-types rapportés dans le tableau I est motivé par ce
qui suit. À part la taille des firmes123, toutes les variables explicatives de la performance sont
« nominales124 ». Nous pouvons penser donc que la forme de la courbe de la performance sera « en
cloche125 ». Or, une densité d’une loi normale (ou en cloche) est toujours symétrique126. Il devient
inutile de vérifier les statistiques de symétrie et de kurtosis. Par conséquent, les moyennes et les
écarts-types pour examiner l’aspect de nos variables suffisent amplement. Du reste, un examen des
valeurs aberrantes et de la continuité des variables fut fait en Annexes127, afin de respecter les
hypothèses implicites d’une loi normale. L’allure de la courbe de l’analyse graphique128 nous
révélera en l’occurrence l’état de la symétrie et du kurtosis. De ce fait, nous avons certifié que
seules la moyenne et l’écart-type suffisent présentement dans notre analyse descriptive.

Examinons les résultats du tableau I dans la section suivante.

121
Selon Alarello et al., (2007) nomment ainsi cette analyse : une phase de validation d’hypothèses par la statistique
descriptive (voir p. 16)
122
De Johnson, Kemp et Kotz (2005), p.50-51. Ces auteurs comme plusieurs définissent les quatre moments centrés
d’une distribution comme suit : l’espérance mathématique (ou moyenne) est le 1er moment, la variance (et son écart-
type) le 2ème moment, l’asymétrie et le kurtosis respectivement le 3ème et le 4ème moment. Les moments centrés servent
à définir une loi de probabilité d’une variable aléatoire lorsqu’elle est inconnue, grâce à la fonction génératrice des
moments.
123
Lors de nos régressions, la taille des firmes sera représentée par des variables catégorielles ou dummies : Ds (petites
firmes) et Dl (grandes firmes). Les variables catégorielles ou catégoriques sont des variables avec deux ou plusieurs
catégories. Voir la définition du glossaire de Statistiques Canada (source :
https://www150.statcan.gc.ca/n1/edu/power-pouvoir/glossary-glossaire/5214842-fra.htm#donneesbrutes)
124
Au contraire des variables catégoriques, les variables nominales n’ont pas d’option de catégories. Voir la définition
du glossaire de Statistiques Canada (source : https://www150.statcan.gc.ca/n1/edu/power-pouvoir/glossary-
glossaire/5214842-fra.htm#donneesbrutes)
125
Une courbe « en cloche » représente une loi normale. Elle indique que les valeurs « auront tendance à revenir vers
la moyenne » plutôt qu’aux extrémités. Voir la définition du glossaire de Statistiques Canada (source :
https://www150.statcan.gc.ca/n1/edu/power-pouvoir/glossary-glossaire/5214842-fra.htm#donneesbrutes)
126
Une loi est symétrique lorsque le mode (valeur centrale) sert à la fois d’axe de symétrie, de moyenne et de médiane.
Voir la définition du glossaire de Statistiques Canada (source : https://www150.statcan.gc.ca/n1/edu/power-
pouvoir/glossary-glossaire/5214842-fra.htm#donneesbrutes)
127
Voir ANNEXES, Titre A.3.
128
Voir l’analyse graphique en ANNEXES, Titre A.2.
page 31 sur 60
Tableau I : statistiques descriptives
Petites firmes Moyennes firmes Grandes firmes
Total des firmes
(5-19 empl.) (20-99 empl. ) (>=100 empl.)
Variable mean(sd) mean(sd) mean(sd) mean(sd)

Nombre de firmes 74 firmes 23 firmes 5 firmes 102 firmes

Ventes 4,1(7,19) 5,76(6,26) 2,38(1,92) 2,60(7,08)
Nombre d’employés 10(5,64) 47(24,41) 134(35,7) 23 employés (32,25)
Infrastructures 7.70(1.99) 6.54(7.82) 4.73(2.89) 4.28(1.24)
Infrastructure/employé 7.42(1.95) 1.36(1.38) 3.43(1.38) 1.00(1.91)
Nombre de coupures 103.48(68.27) 140.4(101.6) 134.4(46) 112.23(75.98)
Nombre de coupures/employé 11.82(8.73) 4.26(4.07) 1(0.22) 9.81(8.57)
ln(durée) 9.58(4.18) 10.02(3.54) 11.31(0.17) 9.75(3.96)
ln(dépenses) 4.75(7.36) 11.72(8.95) 17.05(9.55) 6.71(8.52)
ln(taillecoup) 5.80(2.62) 7.62(2.77) 9.71(0.59) 6.35(2.78)
ln(pertes) 14.05(9.61) 13.56(12.49) 0.57(11.79) 13.29(10.62)
ln(cvariables) 1.38(0.95) 1.81(1.19) 3.16(1.56) 1.55(1.10)
ln(capacity) -2.96(6.97) -5.96(9.52) 1.68(11.44) -3.33(7.85)
security 1.37(8.17) 2.11(3.24) 4.73(6.42) 1.10(7.11)
security/employé 1.11(5.75) 6.01(1.39) 3.51(4.29) 8.55(5.01)
guaranty 1.10(4.91) 2.78(3.05) 6.16(7.82) 5.56(3.43)
guaranty/employé 1.10(4.91) 5.80(4.64) 5.54(7.19) 5.41(3.43)
Informel 1.47(4.62) 1.04(1.79) 9.67(2.16) 3.19(9.45)
Informel/employé 1.42(3.82) 2.67(4.57) 9.67(2.16) 1.60(3.91)
bank 1.60(6.20) 1.86(3.91) 1.74(3.90) 5.72(2.07)
bank/employé 1.53(7.26) 4.40(8.37) 1.74(3.90) 2.11(7.40)

Ce tableau rapporte les statistiques des moyennes et des écarts-types de chaque variable d’intérêt influençant la performance.
Les variables sont dans la 1ère colonne de gauche et les totaux pour l’ensemble des firmes dans la dernière colonne. Les
statistiques sont dans les colonnes du milieu et sont rapportées par taille des firmes. Rappelons que selon Enterprise Survey,
il y a dans nos données de petites firmes (5 à 19 employés), de moyennes firmes (20 à 99 employés) et de grandes firmes (100
employés et plus). Certaines variables sont représentées en logarithmes afin de pouvoir les étudier en termes de variation de
pourcentage. Une fois linéarises, certaines de ces variables donnent des valeurs négative. Pour comprendre les étiquettes des
variables, référez-vous à la Section intitulée Modèles et Hypothèses.

page 32 sur 60
 3.41. Tableau I : Statistique descriptive.
Dans le tableau I, nous cherchons la présence d’une valeur importante en valeur absolue
d’une variable explicative de la performance.

Les moyennes (mean=140.4 fois et sd=101.6 fois) et les grandes firmes (mean=134.4 fois et sd=46
fois) expérimentent une forte fréquence de coupures. Cependant, seules les grandes firmes
connaissent une faible qualité de l’infrastructure électrique (mean=9.71 fois et sd=0.59). La portion
des dépenses en électricité associée à l’usage de générateurs augmente par taille de firmes. La durée
des coupures augmente pareillement. Puisque ce ne sont que les grandes firmes qui connaissent plus
de pannes, il s’ensuit qu’à une taille donnée le délestage déstabilise les firmes. D’où dans nos
régressions, nous chercherons un nombre d’employés à partir duquel les pannes sont coercitives.
Cette forte fréquence oblige ces entreprises à se tourner vers l’usage de générateurs : soit en les
louant, soit en les partageant129 ou encore de les acheter. D’où dans le tableau I, il y a un effet
conséquent des coûts variables issus de cet usage (mean=3.16 et sd=1.56) et un effet du prêt informel
(mean=9.67 et sd=2.16) sur ces firmes. Ces deux résultats concordent avec les conclusions de Moll
(2013) et Banerjee et Moll (2009). Les firmes empruntent hors banques ou désinvestissent pour
acquérir les générateurs. D’ailleurs, il y a un effet de la capacité de production (mean=-5.96 et
sd=9.52) sur les moyennes compagnies à cause du désinvestissement progressif. Néanmoins, seules
les firmes concernées par ce besoin de financement ressentent l’effet du prêt informel (Caselli et
Feyrer, 2007). Dans nos régressions, nous chercherons la catégorie de firmes incapables de se
financer formellement malgré le poids des coûts variables. D’autres variables de nature financière
corroborent la difficulté du financement formel. La garantie sur emprunt130 par employé (mean=5.80
et sd=4.64) et le prêt bancaire (mean=4.40 et sd=8.37) n’affectent que les moyennes firmes131. Pour
les autres variables, les ventes sont importantes chez les moyennes firmes (mean=5.76) tout comme

129
L’effet du délestage chez ces grandes firmes rejoint les observations de la littérature Surtout Alby et al. (2013),
Schure et al. (2015) et, Jovanovic et Rousseau (2007). Ces auteurs préconisent que les firmes n’ont pas de choix que de
s’équiper en générateurs. Du reste, selon le questionnaire de WBES, une firme peut déclarer qu’elle partage un
générateur électrique avec une autre. Nous ignorons si ce partage est lucratif ou non. Toutefois, nous pensons que des
firmes peuvent se partager une génératrice en se partageant les coûts y associés (carburant, entretien, amortissement,
etc.).
130
Voici comment se définit cette garantie selon la question d’Enterprise Survey. Il s’agit de la probabilité que l’on soit
demandé de fournir un dépôt de garantie à la demande d’un crédit.
131
Toutes les entreprises ne ressentent pas en agrégé de contrainte à l’emprunt. Il est possible que cette variable
disponible dans nos données ne procure pas une bonne inférence pour l’ensemble de la population des firmes. Nous
pouvons penser que dans un échantillon où cette variable serait absente, son effet sur la performance des firmes
burundaises ne changerait pas. Caselli et Feyrer (2007) ayant prévenu que la garantie sur emprunt n’est pas toujours
problématique en agrégé, il revient à dire qu’elle peut ne pas contraindre toutes les firmes d’une population.
page 33 sur 60
la sécurité par employé (mean=6.01). Cette dernière variable se définit ainsi. La conclusion de ces
observations est donnée par Ndikumana (2003). Un système financier structuré (en Afrique) reste à
désirer, lorsque les grandes sources de financement ne sont pas majoritairement bancaires.

L’effet du log des pertes (mean= 14.05 et sd=9.61) chez les petites firmes confirme les propos
d’Allcott et al. (2014). Les pertes sont aussi importantes que l’est la fréquence des coupures par
employé sur ces firmes (mean=11.82 et sd=8.73). Puisque les pertes dues au délestage et les coûts
variables y associés augmentent avec la fréquence des pannes, alors la performance diminue avec
cette dernière. Nous avons donc une idée sur la courbure la densité de performance.

Nous venons de voir que le comportement des firmes peut dépendre de leur taille. Nous avons
constaté que l’allure, la courbure et le comportement moyen peuvent dépendre de l’existence d’un
bris dans la densité. Dans la section suivante, examinons les résultats des régressions et des tests
notamment le test d’égalité et le test de discontinuité.

SECTION 4 : RÉSULTATS
Dans cette section, nous faisons essentiellement une analyse statistique et des tests d’hypothèses de
toutes les variables d’intérêt retenues de la littérature. Le but recherché est d’explorer nos variables
afin de valider que nos résultats seraient valides si l’échantillon changeait. La Section 4.1., nous
testons la discontinuité des indicateurs de performance. Puis, nous confirmons l’existence de cette
discontinuité grâce à l’analyse graphique. Dans la Section 4.2., nous avons effectué le test d’égalité
des moyennes des variables d’intérêt. Dans les Sections 4.3. et 4.4., nous avons les résultats des
régressions. La Section 4.5. consiste en une étude de la robustesse. Le tableau I a décrit les
statistiques descriptives de nos variables d’intérêt. Le tableau II va rapporter leur discontinuité. Le
tableau III montre une mesure d’égalité entre différentes catégories de firmes. Dans les tableaux IV
et V, nous allons présenter les résultats des régressions entre la performance et nos variables de
contrôle.

4.1. ANALYSE DE LA DISCONTINUITÉ

Dans cette section, nous confirmons si le délestage affecte différemment les firmes selon
leurs tailles. En d’autres termes, nous examinons l’existence du bris dans la densité. S’il y a un bris
dans la densité, alors l’impact du délestage est plus contraignant pour les petites firmes que pour les
grandes firmes. Comme chez Goyette (2014), nous allons d’abord analyser graphiquement cet
page 34 sur 60
impact. Nous retrouvons dans les Figures 3 et 4 des graphiques de nuages de points obtenus par la
méthode LOWESS132. Nous cherchons dans ces graphiques une continuité de la densité de
performance sauf dans l’intervalle où le délestage frappe plus les petites firmes que les grandes. Les
nuages de points donnent un aperçu de la dispersion des points. Nous testerons ensuite l’existence
du bris dans la densité observé par le test de discontinuité selon McCrary (2008). En cas de
discontinuité, il y a un changement notable de la performance des firmes selon leur taille et/ou la
fréquence des pannes. La prochaine section sera consacrée à l’analyse graphique. Puis, viennent les
sections respectivement sur les hypothèses, les résultats du test de discontinuité et la conclusion de
toute cette section.

4.1.1. Analyse graphique.

Dans les figures suivantes, les parties de dessus correspondent respectivement aux variations
des indicateurs de performance par rapport au nombre de pannes et d'employés. Puis, viennent les
graphiques rapportant la relation entre ces indicateurs et la qualité de l'infrastructure électrique.

Dans la Figure 3, nous voyons que plus il y a de pannes, plus il y a de pertes de chiffres d'affaires à
la suite de ces pannes. Nous constatons qu'un délestage annuel comptabilisant 100 pannes (avec
ln(100)=4.6), les firmes rapportent une pertes de plus de 1 milliard de BIF (avec ln(1G)=20.72).
Lorsque la REGIDESO effectue en moyenne 54 pannes annuelles, les firmes enregistrent des pertes
de ventes qui ne cessent de croître. Comme nous l'avions expliqué, ces pertes de chiffre d'affaires
comprennent à la fois les pertes des produits finis non écoulés à cause du délestage et des pertes
d'opportunités de ventes issues du manque de livraison des commandes. Nous pouvons observer
que dans la Figure 3 toujours, ce sont surtout des entreprises de 35 employés et moins (avec
ln(35)=3.5) qui connaissent ces pertes. Il est évident que les PME sont davantage plus touchées que
les grandes firmes. Cependant, il faut préciser que le maximum de pertes est aussi rapporté par les
grandes firmes à petite échelle. La dernière partie de la Figure 3 démontre que les firmes burundaises
ressentent très tôt l'impact du délestage. En effet, avec 100 pannes annuelles et 10 employés (soit
1000=100x10 donc ln(1000)=6.9), les pertes dues au délestage sont déjà très importantes (soit 1
milliard de BIF).

132
Dans Goyette (2014), il s’agissait de graphiques obtenus grâce à la méthode LOWESS de Cleveland (1979). Cette
méthode permet de montrer un nuage de points qui met en évidence une relation non-linéaire. Pour ce faire, la méthode
permet de définir une fenêtre de variation de valeurs de la variable X potentiellement discontinue. Ensuite, l’on lance
une régression locale polynomiale. C’est aussi une régression robuste localement pondérée et non-paramétrique.
McCrary(2008) utilise cette méthode en la redéfinissant en deux étapes : une fois les histogrammes définis, il faut lancer
une régression locale.
page 35 sur 60
Dans la Figure 4, nous voyons que les firmes ayant connu plus de 200 pannes annuelles indiquent
des coûts variables additionnels d'exploitation moins importants (avec ln(148.41)=5). Les firmes de
6 employés (avec ln(6)=1.8) rapportent qu'elles vont débourser des coûts variables additionnels
d'exploitation à la suite du délestage. Il est intéressant de remarquer que les pentes des graphiques
des coûts variables sont moins abruptes que celles des pertes de la Figure 3. Nous en concluons que
les coûts variables additionnels ne sont pas annuellement très pesants pour les firmes. Cependant,
la dernière partie de la Figure 4 nous montre que lorsqu'on l'on prend en compte à la fois la taille et
les pannes, la pente des coûts variables est plus abrupte. De plus, nous voyons qu'avec 200 pannes
annuelles et 3 employés environ (soit 181.72 pannesx2.72 employés=403 pour ln(403)=6), nous
avons une croissance du volume moyen des coûts variables.

De ce qui précède, nous pouvons dire que les pertes de chiffre d'affaires à la suite du délestage sont
responsables du comportement des PME par rapport aux grandes firmes. Ces pertes devraient
justifier le recours aux générateurs. Nous pensons que l'absence d'une pente aussi abrupte de cette
variable provient du fait que des entreprises ont précisé dans le questionnaire d'enquête de WBES
qu'elles se partageaient des générateurs. Il est donc vital pour les firmes d'avoir accès à ces machines
pour continuer à performer. Les firmes ne semblent pas s'en doter sur base de leur taille. Elles
observent surtout le nombre de pannes pour s'en procurer. Par ces figures, nous retenons que la
qualité de l'infrastructure électrique démontre qu'il est crucial pour une économie en développement
d'avoir des infrastructures électriques publiques fiables.

page 36 sur 60
Dans la prochaine section, nous allons poser les hypothèses requises afin de tester s’il y a une
discontinuité de la densité de performance.

page 37 sur 60
 4.1.2. Hypothèses
Dans cette section, nous posons les hypothèses du test de discontinuité. Nous commençons
par rappeler en quoi cette étape est utile pour notre recherche. Nous discutons sur l’implication du
bris dans la densité de performance pour la firme.

D’après McCrary (2008), un test de discontinuité est particulièrement utile pour « les analyses où
des caractéristiques prédéterminées ne sont pas pertinentes pour le sujet de fond étudié »133. Or, le
délestage ne devrait pas être un « déterminant » de performance industrielle. Idéalement, une firme
paie sa facture d’électricité et fixer ses cibles de performance, sans redouter des coupures.
Malheureusement, les firmes burundaises subissent le délestage. De ce fait, elles n’ont aucun
contrôle dessus pour l’intégrer dans leur plan de performance.

Il y a bris dans la densité lorsqu’une firme ne peut plus grandir. À défaut de ne plus embaucher de
nouveaux employés pour réduire ces charges (pertes et coûts), la firme conserve sa taille. D’où les
hypothèses (jointes) du test de discontinuité suivantes : 𝐻0: D𝑠 − D𝑙 = 0 et 𝐻1 : D𝑠 − D𝑙 < 0 .

Dans le tableau II, nous cherchons un nombre d’employés où les charges d’exploitation sont plus
importantes pour les petites firmes que pour les grandes. Lorsque les hypothèses alternatives sont
vérifiées et sont négatives, alors, il n’y a pas de bris dans la densité. Si elles (l’une ou toutes) sont
positives, il y a un bris. Dans la prochaine section, nous présentons le tableau II.

4.1.3. Tableau II : Test de discontinuité

Dans cette section, nous évoquerons les parties du tableau II d’abord. Nous expliquons
ensuite le signe de nos résultats avant de les interpréter.

Voici comment nous avons construit les différentes colonnes du tableau II. Nous avons défini la
colonne « bris dans la densité » grâce à une grille de points équidistants (bin) et une fenêtre
normalisée (bandwidth). Les points sont équidistants à un (1) employé près (bin) sans excéder 30
employés (bandwidth). Ces points « bris dans la densité » correspondent à des coefficients (ou
intercepts) de chaque variable (coup, pertes ou lcvariable)134. Signalons que nous n’avons pas
rapporté dans le tableau II les résultats de la qualité de l’infrastructure électrique. En effet, nous

133
Notre traduction. Voir McCrary(2008), p.16 :
« The density test may be particularly important for applications where pre-determined characteristics are not
available or are not relevant to the substantive topic studied. »
134
Les valeurs bris dans la densités rapportées dans le tableau II sont fixées sur base des rangs des valeurs courantes.
Nous avons ainsi rapporté les résultats au bris dans la densité respectif de 23 employés pour lpertes.
page 38 sur 60
n’avons pas trouvé de bris dans la densité de cette variable avec le test de McCrary (2008)135. Nous
avons cherché l’écart de performance entre les petites et grandes firmes par rapport à chaque
point « bris dans la densité ». Il s’agit de différences logarithmiques en hauteur (ou en intercepts)136
des histogrammes en chaque point « bris dans la densité ». C’est ainsi que nous avons construit la
colonne des différences en log des intercepts. Elle est suivie par la colonne de leurs erreurs-types et
celle de la statistique-t (du test de Student unilatéral). Cette dernière colonne est obtenue grâce à la
formule usuelle137 de cette statistique, soit le quotient entre les différences en intercepts et les écarts-
types. Une différence en intercepts importante aura une erreur-type plus grande et démontrera
l’existence de bris. Au sujet de l’interprétation des signes des différences en intercepts, voici ce qu’il
faut savoir. Une différence négative signifie que les petites firmes ressentent plus les effets du
délestage sur la performance que les grandes firmes.

Dans la colonne des différences en intercepts du tableau II, nous avons un changement de signes
intéressant pour le log des pertes et les coûts variables. Ces résultats suggéreraient que dès le début
de leurs activités, les firmes ressentent l’effet du délestage sur leur performance. Le besoin
d’adaptation aux pannes est presqu’immédiat. Les firmes qui grandissent finissent par s’équiper en
générateurs, afin d’éviter les temps d’arrêt d’activités. Ainsi, il existe un volume de pertes-et-coûts
qui pousse les firmes à avoir des générateurs à défaut de quoi elles (les firmes) demeurent petites.
Cette situation se produit lorsque le signe change de nouveau après être devenu négatif. Nous
pouvons voir que la fréquence des coupures suggère un changement de signes dès le 22 ème et le
23ème employé. Le log des coûts variables présente aussi un changement de signes à 21 employés.
Le log des pertes dues aux coupures démontre un changement à partir de 22 employés.

Le tableau II procure les observations importantes suivantes sur l’allure et la continuité de la courbe
de performance. Nous voyons qu’autour de 22 employés, il y aurait un bris dans la densité. Étant
donné la plus grande différence en intercepts observée en ce point, les trois variables aboutissent à
cette conclusion. Nos variables du tableau II proposent des médianes et modes suivants. Nous avons

135
Nous avons utilisé STATA comme logiciel d’analyse statistique. Lorsque nous lançons le test de discontinuité de
McCrary(2008), nous avons un message d’erreur (r(3498)) et un message d’avertissement expliquant l’erreur. D’après
notre traduction, ce message disait que le test ne rapportait rien puisque le bris doit se situer strictement dans la plage
de la variable courante : “Breakpoint must lie strictly within range of running variable”.
136
. Il s’agit des estimateurs de discontinuité fhat du test DCdensity fait dans STATA. Dans la troisième colonne, nous
rapportons les erreurs-types correspondant à se_fhat du test DCdensity. La dernière colonne est celle de la statistique-
t=fhat/se_fhat. C’est le quotient de la deuxième par de la troisième colonne.
137
Voir la formule pour le test unilatéral dans Anderson et al., (2015), p.500, p.556 et p.751. La même logique s’applique
pour le test bilatéral.
page 39 sur 60
des médianes respectives pour les coupures et le log des pertes de 8.39 fois et 19.23. La médiane
des pannes par employé rappelle l’écart-type trouvé dans le tableau I de 8.57 fois chez les petites
firmes. C’est une valeur relativement proche de la moyenne trouvée dans le tableau I de 9.81 pannes.
Tout comme, la médiane du log des pertes vient après la moyenne issue du tableau I de 13.29. Elle
est encore plus proche de la moyenne des petites firmes de 14.09.

Pour finir, examinons les statistiques-t et les différences en intercepts. Selon les valeurs critiques,
presque toutes les statistiques-t sont significatives138 à 1%, 5% et 10%. Parmi elles, la plus grande
statistique en valeur absolue est à 22 employés pour le nombre de pannes (tstat=-3.48). Nous avons
aussi une statistique importante toujours en valeur absolue à 21 employés pour le log des pertes
(tstat=-5.26) et à 24 employés pour les coûts variables (tstat=-4.48). Ces résultats suggèrent une
discontinuité entre 21 et 24 employés139. C’est encore une fois le niveau de croissance où les firmes
s’équipent en générateurs pour continuer à être rentables.

Dans la prochaine section, nous allons conclure avec les faits saillants notés dans l’analyse
graphique et dans les résultats du test de discontinuité.

138
Une statistique est significative si elle est supérieure à la valeur critique. Voir les valeurs critiques dans la note
explicative du tableau II.
139
Notons que nous n’avons pas de valeurs à 24 employés pour lpertes puisque nous sommes en dehors du rang de
cette variable.
page 40 sur 60
 Tableau II : test de discontinuité : comparaison des bris dans la densités de performance

Nombre de coupures électriques Pertes dues aux coupures Coûts variables

Bris Différence Bris Différence Bris Différence
dans la en Erreur- dans la en Erreur- dans la en Erreur-
densité intercepts type tstat densité intercepts type tstat densité intercepts type tstat
10 0.11 0.31 0.35 10 3.45 1.04 3.31*** 10 -0.77 0.26 -2.96***
15 -0.42 0.28 -1.50*** 15 3.44 0.81 4.25*** 15 0.12 0.25 0.48
16 -0.25 0.28 -0.89 16 1.91 0.39 4.90*** 16 0.08 0.25 0.32
17 -0.59 0.29 -2.03*** 17 1.32 0.31 4.26*** 17 0.91 0.30 3.03***
18 -0.58 0.29 -2.00*** 18 0.36 0.27 1.33*** 18 0.86 0.29 2.96***
19 -0.85 0.29 -2.93*** 19 -0.32 0.27 -1.19 19 0.64 0.27 2.37***
20 -0.84 0.31 -2.71*** 20 -1.25 0.31 -4.03*** 20 0.12 0.26 0.46
21 -1.18 0.34 -3.47*** 21 -2.63 0.50 -5.26*** 21 -0.60 0.28 -2.14***
22 -1.22 0.35 -3.48*** 22 -4.05 0.97 -4.17*** 22 -0.65 0.31 -2.09***
23 -1.26 0.37 -3.41*** 23 -3.54 0.69 -5.13*** 23 -1.21 0.34 -3.55***
24 -1.06 0.39 -2.72*** 24 -2.02 0.45 -4.48***

Ce tableau est divisé en deux grandes parties. La première rapporte les résultats du test de discontinuité pour la variable explicative
coup (le nombre de coupures électriques). La seconde rapporte les résultats du même test pour les variables expliquées (ln(pertes)
ou lpertes et ln(coûts variables) ou lcvariables). La significativité suit la règle traditionnelle de 5% (**),10% (*) et 1%(***). Nous
testons de l’hypothèse issue de la revue de la littérature que face au délestage, les firmes burundaises demeurent petites. Donc, si
les petites firmes endurent moins le poids financier des coupures, notre différence est ainsi établie : 𝑫𝒔𝒎𝒂𝒍𝒍 − 𝑫𝒍𝒂𝒓𝒈𝒆𝒓 < 𝟎. Il y a
bris dans la densité si 𝑫𝒔𝒎𝒂𝒍𝒍 > 𝑫𝒍𝒂𝒓𝒈𝒆𝒓 .D’où, plutôt que de rapporter la statistique du test de discontinuité par catégorie de la
taille des firmes (petites ou grandes firmes), nous avons rapporté la différence. Nous parlerons de bris dans la densité donc lorsqu’il
y a une différence négative et importante (en valeurs absolues). Les valeurs critiques selon un degré de liberté (n-1) sont : 1.66,
2.36 et 1.29 respectivement pour 5%, 1% et 10%. Les valeurs bris dans la densités rapportées dans le tableau II sont fixées sur
base des rangs des valeurs courantes. Nous avons ainsi rapporté les résultats au bris dans la densité respectif de 23 employés pour
lpertes.

4.1.4. Conclusion
Dans cette section, nous avons découvert un bris dans la densité potentiel de performance
mesurée par les coûts variables entre 18 et 25 employés. À 18 employés, le tableau II suggérait un
bris dans la densité de performance tel que rapporté par les coûts variables. La différence en intercept
et l’erreur-type y sont importantes avec un changement de signes adapté en cas de bris dans la
densité. À 21 employés, c’est la statistique-t qui est importante pour un bris dans la densité selon
les pertes. Les autres valeurs sont importantes en valeur absolue à 22 puis à 25 employés. Le bris
dans la densité de performance causé par le délestage est certainement à 22 employés car la
statistique-t est importante à ce niveau pour la fréquence des pannes. D’ailleurs, à partir de 23
employés, les différences en intercepts et les erreurs-types sont en moyenne stables. Cette
observation rejoint les conclusions de l’analyse graphique qui suggérait un bris dans la densité de
performance selon les pertes. Cette analyse évoquait un bris dans la densité visible pour une
performance selon les pertes, pour toute firme de 35 employés et moins. Par ce test de discontinuité,
nous avons confirmé une autre conclusion de l’analyse graphique. Les firmes cherchent très tôt et
très vite à s’équiper en générateurs. Les Figures 3 et 4 parlaient d’acquisition de ces machines à
partir de 6 employés. Nous pouvons répondre à notre interrogation en disant que les petites firmes

page 41 sur 60
sont plus touchées par le délestage que les grandes. Dans la section suivante, nous allons confirmer
l’existence de ce bris dans la densité par le test d’égalité des moyennes des groupes de firmes.

4.2. ANALYSE DE L’ÉGALITÉ DES MOYENNES

Dans la section précédente, nous venons d’examiner l’existence d’un bris dans la densité de
performance à 22 employés, causé par le délestage. Dans cette section, nous voulons déterminer
précisément la position du bris dans la densité au sein de la taille des firmes. L’analyse du tableau
II a abouti en l’observation d’un bris dans la densité de performance entre 18 et 22 employés. Ainsi,
la position du bris dans la densité véritable est inconnue. Selon notre méthodologie, la solution est
un lissage des moyennes des Xj (régresseurs) sur Yj(variable réponse).Tel que fait dans Goyette
(2014) et à partir de nos modèles, nous effectuons une régression en dummies selon la taille des
firmes. Puis, nous testons l’égalité des moyennes. Dans la prochaine sous-section, nous déterminons
les équations à utiliser et posons les hypothèses du test. La sous-section d’après présentera les
résultats du test d’égalité des moyennes dans le tableau III. Nous terminons par une conclusion.

4.2.1. Hypothèses
Dans cette section, nous rappelons l’importance du test d’égalité. Nous discutons du choix
des équations utilisées pour les régresseurs retenus pour le test d’égalité. Par après, nous posons les
hypothèses.
En cas de discontinuité, il est recommandé de faire un test d’égalité des coefficients140. Il s’agit du
test de Student d’égalité de deux échantillons (ou t-test en anglais). Il sert à examiner les moyennes
et les écarts-types avant et après le bris dans la densité. Il est entendu que la comparaison des
coefficients suppose que le bris dans la densité crée deux différentes équations. L’étude de l’égalité
des coefficients est beaucoup plus recommandée dans notre cas étant donné que les valeurs prédites
changent. Nous avons rajouté la statistique F par le test de Wald afin d’analyser les écarts-types. Le
t-test est un test bidirectionnel de l’égalité entre les coefficients des variables catégorielles. Le test
de Student d’égalité de deux échantillons (t-test) et test de Wald vérifient les hypothèses suivantes :
Test d’égalité de Wald Test d’égalité de Student
𝐻0 : 𝛾1 = 𝛾2 𝐻0 : 𝛾2 − 𝛾1 = 0 ↔ 𝛾 𝑑𝑖𝑓𝑓é𝑟𝑒𝑛𝑐𝑒 = 0
𝐻1 : 𝛾1 < 𝛾2 𝐻1 : 𝛾 𝑑𝑖𝑓𝑓é𝑟𝑒𝑛𝑐𝑒 ≠ 0

140
Par exemple, Goyette (2014) a effectué ce test après avoir conclu la présence de discontinuité dans la densité de la
taille des firmes.
page 42 sur 60
Contrairement au test de Wald avec le sens d’une inégalité déjà établi, le t-test nous propose les
deux inégalités possibles. Ceci est dû à sa propriété de test bilatéral. Ainsi, effectuer ce test pour
l’une de ces inégalités nous permet de conclure sur la significativité de l’autre. Comme pour le test
de discontinuité141, une différence négative implique que la performance des petites firmes est plus
affectée par le délestage que celle des grandes firmes. Une différence positive amène la firme à ne
plus croître du tout. Nous sommes intéressés par une grande différence en valeur absolue. Nous
testons sous l’hypothèse nulle que les petites firmes sont plus affectées par le délestage que les
grandes. Si nous échouons de rejeter H0, alors, les moyennes par groupe de firmes ne se reflètent
pas dans la population.

4.2.2. Tableau III : t-test

Dans les paragraphes qui suivent, nous commentons les résultats du tableau III. Dans ce
tableau, nous avons rapporté des différences de coefficients du modèle (4). Les régressions ont été
lancées pour chaque indicateur de performance. Dans ce tableau, nous présentons les résultats du t-
test pour la variable dépendante lpertes. Dans la première colonne se trouve le niveau de bris dans
la densité calculé en nombre d’employés. Cette colonne est suivie par la colonne de la différence
des coefficients entre groupes de firmes (petites ou grandes) et celle des statistiques F. La dernière
colonne concerne le résultat du t-test de la différence entre ces groupes de firmes. Dans les
parenthèses se trouvent les valeurs-p.

Nous avons des statistiques de t-test significatives à 1% et à 5%142. D’après le résultat des t-test, les
petites firmes connaissent un nombre de pannes électriques plus important que les grandes firmes.
Nous rejetons H0 et conclus qu’il y a un bris dans la densité. Ainsi, le délestage est une distorsion
de la performance dans la population des firmes.

141
Voir sous le titre « Hypothèses » associé au test de discontinuité.
142
Significativité à tous les bris dans la densités : 5%, 10% et 1%.
page 43 sur 60
 Tableau III : Test d’égalité : différence de moyennes
Pour yi = ln(pertes) :
bris
dans la Différence : petites contre grandes firmes F-stat t-test
densité
14 -0,53 3,81(0,02)** 0,45(0,65)
15 -0,31 3,64(0,03)** 2,01(0,04)**
16 -0,31 3,64(0,03)** 2,01(0,04)**
17 -0,3 3,62(0,03)** 2,54(0,01)**
18 -0,3 3,69(0,03)** 2,85(0,00)***
19 -0,3 3,69(0,03)** 2,85(0,00)***
20 0,03 3,53(0,03)** 3,45(0,00)***
21 0,22 3,47(0,03)** 3,81(0,00)***
22 0,22 3,47(0,03)** 3,81(0,00)***
23 0,52 3,44(0,03)** 4,13(0,00)***
Le tableau III rapporte les tests d’égalité des moyennes entre groupes de firmes selon les hypothèses suivantes :
𝐻0: 𝜇𝛾𝑔𝑟𝑎𝑛𝑑𝑒𝑠 𝑓𝑖𝑟𝑚𝑒𝑠 = 𝜇𝛾𝑝𝑒𝑡𝑖𝑡𝑒𝑠 𝑓𝑖𝑟𝑚𝑒𝑠 et 𝐻𝑎 : 𝜇𝛾𝑔𝑟𝑎𝑛𝑑𝑒𝑠 𝑓𝑖𝑟𝑚𝑒𝑠 < 𝜇𝛾𝑝𝑒𝑡𝑖𝑡𝑒𝑠 𝑓𝑖𝑟𝑚𝑒𝑠 . Ainsi, la colonne du t-test rapporte le
résultat de ce test pour la différence entre ces groupes de firmes : 𝜇 𝑑𝑖𝑓𝑓é𝑟𝑒𝑛𝑐𝑒 = 𝜇𝛾𝑝𝑒𝑡𝑖𝑡𝑒𝑠 𝑓𝑖𝑟𝑚𝑒𝑠 − 𝜇𝛾𝑔𝑟𝑎𝑛𝑑𝑒𝑠 𝑓𝑖𝑟𝑚𝑒𝑠 =
0. La significativité est conclue selon la règle suivante : 5%(**), 10%(*) et 1%(***).Les valeurs critiques du t-test sont
1.6, 1.98 et 2.62 respectivement pour 10%, 5% et 1% et pour (N-1) degrés de liberté. La valeur critique du test de
Wald est de 3.84, 6.64 et 10.83 pour la statistique-F suivant une loi Chi-carré à k degrés de liberté pour les intervalles
respectives de 5%, 10% et 1%. Ainsi, nous avons d’autres valeurs critiques à (N-k) degrés à 5%, 10% et 1%
suivantes : 124.34, 135.81 et 149.48. Les statistiques sont significatives lorsqu’elles sont supérieures aux valeurs
critiques. Le t-test suit une loi de Student tandis que la statistique F du test de Wald suit une loi du chi-deux à un
degré de liberté.

La significativité des statistiques-F du test de Wald à 5% le témoigne. En effet, la différence de

moyennes qui était négative avant ce niveau devient positive. Cela implique qu’en valeur absolue
le nombre de coupures affectant la performance des petites firmes devient encore plus importantes
par rapport aux grandes firmes. Nous observons la plus grande et significative statistique-F à 18
employés. Les firmes remarquent l’importance du délestage sur leur performance à 15 employés. À
ce moment, le délestage touche surtout les grandes firmes. Celles-ci enregistrent beaucoup de pertes.
Les firmes pallient cet impact du délestage sur la performance avec l’embauche afin d’exploiter les
temps d’alimentation électrique ordinaire. Au-delà du changement de signes observé à 20 employés,
la différence de moyennes augmente à 21 employés. Par la suite, la différence de moyennes ne fait
que régresser. Dans la suite des paragraphes, nous concluons.

4.2.3. Conclusion
Dans cette section, nous évoquons les aspects importants à retenir sur le tableau III. Nous
avons vu que le tableau II attestent que le délestage affecte différemment la performance des firmes
selon leur taille. Autant graphiquement que statistiquement, nous avons conclu qu’il existe un bris
dans la densité de performance. Les résultats du tableau III démontrent que le délestage affecte la

page 44 sur 60
performance lorsqu’elle se mesure par le log des pertes. Elle peut augmenter rapidement sa taille à
partir de 1 employés. Il apparait le bris dans la densité de performance à 20-21 employés, à cause
du changement de signe. Le signe des statistiques des t-test positif suggère que les petites firmes
sont beaucoup plus affectées que les grandes firmes.

Dans la section suivante, nous regarderons les résultats des régressions (2) et (4).

4.3. ANALYSE DES RÉSULTATS DES RÉGRESSIONS

Nous venons de confirmer que le délestage crée une distorsion de la densité de performance
des firmes. Dans cette section, nous cherchons à comprendre les « déterminants » du délestage. Les
firmes sont davantage victimes de pannes électriques à cause de ces déterminants.

Tel que dans Goyette (2014), nous utilisons l’équation (4) et les MCO pour obtenir les résultats de
cette analyse rapportés dans le tableau IV. Les déterminants de la qualité de l’infrastructure
électrique sont les suivantes : durée (en nombre d'heures quotidiennes), dépenses, pertes,
cvariable, security, informel, guaranty, et capacity.

Dans la prochaine section, nous introduisons le contexte dans lequel le tableau IV est fait. La section
d’après est un commentaire des résultats de ce tableau.

4.3.1. Introduction
Dans cette section, nous justifions le choix du modèle estimé. Nous examinons aussi le R2
et analysons ses implications. Nous allons finalement commenter les résultats associés aux autres
variables d’intérêt.

Grâce aux tests non paramétriques, nous savons que les résidus de nos régressions sont
hétéroscédastiques. De plus, selon ces mêmes tests, les variables explicatives suivantes souffrent de
multi-colinéarité : lguaranty, linformel et security. Malgré toutes ces faiblesses de nos estimations,
nous avons démontré que nos modèles sont bien spécifiés, requièrent des dummies et ont une
variance homogène. Une solution palliative à ce biais de sélection évident serait un estimateur des
moindres carrés généralisés plutôt que celui de moindres carrés ordinaires143. Wooldridge et al.
(2018) déconseille cette méthode parce qu’elle pose une hypothèse forte de connaître par le modèle
théorique la variance des résidus. L’autre solution serait d’utiliser des effets fixes si nos données

143
Voir au deuxième chapitre, le titre DONNÉES ET MÉTHODOLOGIE, page 40 et Heyer et al. (2004) sur la méthode
des moments généralisés.
page 45 sur 60
étaient des panels. Nous avons opté pour des régressions à variance robuste. C’est une autre
alternative à l’hétéroscédasticité découverte. Il est possible que nous n’ayons pas résolu totalement
ce problème avec cette méthode. Toutefois, nous avons vu que les R2-ajustés trouvés demeurent
inférieurs aux écarts-types des variables prédites. Nous estimons que pour les besoins de cette
recherche, le biais de sélection est suffisamment réduit par cette solution.

Nous avons rapporté dans le tableau IV les estimations faites pour l’équation (4) par les MCO. Par
les critères de sélection AIC et BIC, et le test d’Hausman, nous avons opté pour la régression (4).
Autrement dit, pour chaque indicateur de performance, nous avons cherché un effet de la qualité de
l’infrastructure électrique. Nous voyons en ANNEXES que les résultats sont globalement
significatifs à tous les bris dans la densités.

Les régressions sont à variance robuste. Le R2-ajusté est à un maximum de 0.94. Comparativement
aux erreurs-types du tableau II (par exemple pour les pertes, σ=1.43), le modèle est bien spécifié.
Nous voulons toujours un R2-ajusté le plus proche de 1 pour conclure qu’un modèle est bien spécifié.
Nous avons besoin d’un R2-ajusté inférieur à un écart-type (ou erreur-type) puisqu’aux MCO, nous
avons les plus petites variances. Le coefficient de détermination (R2) ajusté est fort pour démontrer
qu’il y a des variables importantes qui sont exclues du modèle (4). Nous rejoignons ainsi les critères
de sélection. Puisque le coefficient de détermination est le carré d’un faible coefficient de
corrélation, nous avons des R2-ajustés plutôt forts. De ce fait, le modèle (4) peut plus expliquer 90%
de la distribution des points de la qualité de l’infrastructure électrique et ses déterminants. La qualité
de l’infrastructure électrique implique que des firmes évaluent l’impact du délestage sur base de
l’importance de leur taille. D’autres firmes n’ont pas besoin de contrôler leur taille puisqu’elles
utiliseront des générateurs afin de contrer les pannes.

Dans la suite de notre exposé, nous allons analyser les résultats du tableau IV.

4.3.2. Tableau IV : Différences en coefficients.

Dans le tableau IV, nous voyons que quelques variables sont de véritables déterminants de
la qualité de l’infrastructure électrique.

La performance qu’on attend face au délestage dépend de la taille des firmes. Mais le délestage lui-
même ne dépend pas de la taille des firmes. Nous analyserons donc les déterminants du délestage
lorsqu’il est corrélé avec la taille. Il revient à étudier les déterminants de la qualité de l’infrastructure
électrique. Ces déterminants démontrent si les firmes, selon leur taille, peuvent faire face à l’impact

page 46 sur 60
du délestage. Parmi tous les déterminants, les coefficients des pertes dues au délestage sont
significatifs pour les petites firmes. Les statistiques-F le montrent aussi (voir les lignes de F-
stat[(ln(pertes)] et F-stat[(ln(durée)]). Les coefficients des coûts variables issus de l’usage des
générateurs sont significatifs à 5% et à 1 % pour les petites firmes à partir de 30 employés. Les
statistiques-F le confirment. Nous avons une significativité de la durée des coupures électriques,
peu importe la taille des firmes. Toutefois, les statistiques-F importantes indiquent que les pannes
dureraient davantage pour les petites firmes que pour les grandes. La seule explication possible est
la facilité d’accès aux générateurs pour les firmes de grande taille. À 40 employés, nous avons une
significativité de la portion des dépenses électriques associées à l’usage de générateurs pour les
petites firmes. Malheureusement, ce résultat ne concorde pas avec les statistiques-F qui ne sont pas
significatifs.

La qualité de l’infrastructure électrique ne se détériore pas beaucoup malgré le délestage. La large

majorité des firmes doit souffrir de l’impact du délestage et requiert ainsi des générateurs. La
garantie sur emprunt et la sécurité de la machinerie des firmes ne sont pas significatives. La solution
efficace de fonctionnement des manufactures en temps de délestage demeure l’usage de générateurs.

Nous avions inclus d’autres variables dans notre évaluation de déterminants de la qualité de
l’infrastructure électrique. Citons par exemple, la capacité de production et l’emprunt informel des
firmes. Comme ces variables sont non-significatives, nous n’avons pas jugé utile de les présenter.
Toutefois, leur inclusion justifie l’importance des R2 ajustés que nous voyons dans le tableau IV.

4.3.1. Conclusion
Dans cette section, nous résumons l’essentiel des implications du dernier tableau étudié. Le tableau
IV montre des résultats des estimations entre la qualité de l’infrastructure électrique et ses
déterminants. L’équation (4) utilisée est bien spécifiée et à variance robuste selon le R2-ajusté.
Parmi tous les déterminants, les pertes et la durée des pannes sont les plus révélatrices de l’effet du
délestage. La qualité de l’infrastructure électrique affiche une relation positive et significative pour
les petites firmes, avec le log des pertes et le log de la durée des pannes. Les statistiques-F
significatives confirment cette relation.

Des mesures d’adaptation au délestage comme l’usage de générateurs sont incontournables pour les
firmes qui ambitionnent de grandir et de performer. L’augmentation de la taille des firmes ne suffit
pas pour contenir les pertes. Pareillement, le recours aux générateurs n’empêche pas l’importance
du volume des pertes pour que les firmes s’accroissent. D’ailleurs, le tableau IV montre qu’une

page 47 sur 60
hausse de 1% de la durée des pannes des petites firmes équivaut à une hausse de qualité de
l’infrastructure électrique comprise entre 0.39% et 0.48%. Pour les grandes firmes, il s’agit d’une
hausse de la qualité de l’infrastructure électrique comprise entre 0.61% et 0.71% pour une hausse
de 1% de la durée des pannes. Cette situation prouve qu’il existe certainement des firmes qui arrêtent
leurs activités durant les coupures. C’est un autre mécanisme d’adaptation au délestage. Le délestage
est sous le contrôle de l’État et non celui des firmes. Ainsi, pour valider ce bris dans la densité, nous
refaisons le t-test avec la durée des pannes. Les résultats de ce test sont rapportés dans le tableau V.

page 48 sur 60
Tableau IV : Différence en coefficients : Qualité de l’infrastructure électrique
Bris dans la densité
15 20 25 30 35 40
(en #employés)
Petites
0.11(0.00)*** 0.10(0.00)*** 0.08(0.00)*** 0.09(0.00)*** 0.08(0.00)*** 0.07(0.00)***
firmes
Ln(pertes)
Grandes
0.01(0.68) 0.02(0.49 ) -0.10(0.70) -0.01(0.63) -0.003(0.90) 0.008(0.85)
firmes
Ln petites 0.18(0.02)** 0.85(0.22) 0.11(0.14) 0.13(0.04)** 0.16(0.03)** 0.27(0.01)**
(coûts
variables) grandes -0.05(0.69) -0.09(0.53) -0.08(0.64) -0.08(0.78) 0.01(0.97) 0.21(0.59)
Ln (garantie petites 0.02(0.67) 0.02(0.67) 0.01(0.78) -0.002(0.94) 0.02(0.54) 0.03(0.41)
sur
emprunt) grandes 0.03(0.43) 0.06(0.21) 0.06(0.21) 0.04(0.65) 0.04(0.62) 0.08(0.32)

Ln petites 0.01(0.55) 0.01(0.33) 0.01(0.22) 0.01(0.14) 0.01(0.44) 0.01(0.25)

(sécurité
des firmes) grandes -0.01(0.69) -0.04(0.20) -0.04(0.27) -0.02(0.71) -0.02(0.97) -0.01(0.83)

Ln(durée petites 0.39(0.00)*** 0.43(0.00)*** 0.45(0.00)*** 0.43(0.00)*** 0.45(0.00)*** 0.48(0.00)***

des pannes) grandes 0.65(0.00)*** 0.61(0.00)*** 0.64(0.00)*** 0.67(0.00)*** 0.69(0.00)*** 0.71(0.00)***

Ln petites -0.14(0.19) -0.05(0.49) -0.84(0.33) -0.11(0.17) -0.15(0.10) -0.2(0.04)**

(dépenses) grandes 0.11(0.48) 0.18(0.22) 0.19(0.28) 0.17(0.60) 0.04(0.89) -0.19(0.65)
R²ajusté 0.93 0.93 0.94 0.94 0.94 0.94
** *** ** *** ***
F-stat[ln(pertes)] 4.68(0.01) 7.46(0.00) 5.10(0.01) 8.96(0.00) 6.57(0.00) 4.64(0.01)**

F-stat[ln(c.var.)] 3.48(0.03)** 1.19(0.31) 1.33(0.27) 2.33(0.10)* 2.40(0.09)* 3.16(0.05)**

F-stat.[ln(garantie)] 0.39(0.67)* 0.91(0.41) 0.95(0.39) 0.16(0.86) 0.21(0.81) 0.58(0.56)

F-stat[ln(sécurité)] 0.25(0.77) 1.31 (0.27) 1.35(0.26) 1.16(0.31) 0.31(0.74) 0.69(0.51)

F-stat[ln(durée)] 86.7(0.00)*** 71.4(0.00)*** 93.8(0.00)*** 85.5(0.00)*** 82.6(0.00)*** 105.7(0.00) ***

F-stat[ln(dépenses)] 1.57(0.21) 1.30(0.27) 1.25(0.29) 1.10(0.34) 1.37(0.26) 2.31(0.11)

Le tableau IV rapporte les résultats des régressions et les R2 respectifs. Il s’agit des statistique-t et leurs valeurs-p entre
parenthèses. Nous n’avons pas rapporté les valeurs constantes. Dans ce tableau, nous retrouvons les résultats des régressions
dans les premières lignes, les R2-ajustés vers le milieu et les statistiques-F dans les dernières lignes. La significativité de la
valeur-p est conclue selon la règle suivante : 5% (**), 10% (*) et 1%(***). Nous n’avons rapporté que les valeurs des variables
dummy. Les autres variables sont en Annexes. Après les régressions, nous avons lancé un test de Wald d’égalité rapportés par la
statistique-F selon les hypothèses suivantes : pour F-stat avec 𝐻0 : ln (𝑥𝑖)𝑝𝑒𝑡𝑖𝑡𝑒𝑠 𝑓𝑖𝑟𝑚𝑒𝑠 = log (𝑥𝑖)𝑔𝑟𝑎𝑛𝑑𝑒𝑠 𝑓𝑖𝑟𝑚𝑒𝑠 ..

4.4. ÉTUDE DU BRIS DANS LA DENSITÉ

Dans cette section, nous examinons l’existence d’autres bris dans la densités au-delà de celui
découvert entre 20 et 25 employés.

4.4.1. Tableau V : t-test pour les déterminants du délestage

Pour construire ce tableau, nous avons lancé une estimation du modèle (2). Nous avons
utilisé comme indicateur la performance. Nous avons utilisé en dummies les deux déterminants de
la qualité de l’infrastructure électrique, identifiés grâce au tableau IV.

page 49 sur 60
 Tableau V : Test d’égalité : différence de moyennes : pertes et durée des pannes
Ln(pertes)
Bris dans la
densité Différence : petites contre grandes firmes F-stat t-test
10 0.41(0.68) 0.17(0.69) 0.87(0.38)
15 0.33(0.74) 0.11(0.74) 3.75(0.00)***
20 0.36(0.72) 0.13(0.72) 5.35(0.00)***
25 0.21(0.83) 0.05(0.81) 6.02(0.00)***
30 0.45(0.65) 0.20(0.65) 7.34(0.00)***
35 0.41(0.68) 0.17(0.68) 8.81(0.00)***
40 0.33(0.74) 0.11(0.74) 9.41(0.00)***
Ln(durée des pannes électriques)
Bris dans la
densité Différence : petites contre grandes firmes F-stat t-test
10 -2.53(0.01)** 6.38(0.01)** 0.67(0.50)
15 -3.08(0.00)*** 9.51(0.00)*** 3.36(0.00)***
20 -3.34(0.00)*** 11.12(0.00)*** 4.76(0.00)***
25 -3.05(0.00)*** 9.32(0.00)*** 5.69(0.00)***
30 -3.20(0.00)*** 10.23(0.00)*** 6.66(0.00)***
35 -3.35(0.00)*** 11.24(0.00)*** 7.83(0.00)***
40 -3.44(0.00)*** 11.83(0.00)*** 8.76(0.00)***
Ce tableau rapporte la régression de l’équation (2) avec comme indicateur de performance le log des ventes. Les coefficients en dummies de
la taille des firmes (petites contre grandes firmes) sont dans la colonne « Différence : petites contre grandes firmes ». La colonne des
statistiques-F rapporte les statistiques du test de Wald qui a suivi l’estimation. Les tests d’égalité des moyennes entre groupes de firmes sont
dans la colonne « t-test ».Voici les hypothèses : 𝐻0 : 𝜇𝛾𝑔𝑟𝑎𝑛𝑑𝑒𝑠 𝑓𝑖𝑟𝑚𝑒 𝑠 = 𝜇𝛾𝑝𝑒𝑡𝑖𝑡𝑒𝑠 𝑓𝑖𝑟𝑚𝑒𝑠 et 𝐻𝑎 : 𝜇𝛾𝑔𝑟𝑎𝑛𝑑𝑒𝑠 𝑓𝑖𝑟𝑚𝑒𝑠 < 𝜇𝛾𝑝𝑒𝑡𝑖𝑡𝑒𝑠 𝑓𝑖𝑟𝑚𝑒𝑠 La significativité est
conclue selon la règle suivante : 5%(**), 10%(*) et 1%(***). Les valeurs-p déterminent la significativité et sont entre parenthèses.

Nous voulons que les pertes et la durée des pannes nous renseignent sur l’existence ou non d’autres
bris dans la densités. En d’autres termes, nous vérifions s’il existe une différence significative de
ces variables ailleurs et/ou au bris dans la densité du délestage.

4.4.2. Comparaison : tableau III et tableau V

Le tableau III indiquait un bris dans la densité en nombre de coupures électriques à 20
employés. D’ailleurs, nous avions ce même bris dans la densité pour la qualité de l’infrastructure
électrique. Les indicateurs de performance étaient respectivement les pertes et les coûts variables.
Il est vrai que dans le tableau V, l’indicateur de performance a changé. Toutefois, en reprenant les
mêmes indicateurs pour la durée des pannes, nous arrivons toujours à la même conclusion144. Il
existe un bris dans la densité à 20 employés dans le tableau V, étant donné la statistique-F qui est
suffisamment importante et significative. Nous remarquons aussi une statistique-F importante à 35
employés. Les petites firmes rapportent clairement qu’une plus longue durée affecte leurs ventes,
comparativement aux grandes firmes.

144
Nous avons refait le tableau V pour la durée des pannes uniquement avec ln(pertes) et ln(cvariable). Nous n’avons
pas rapporté les résultats dans le tableau V.
page 50 sur 60
Cependant, la plus grande et plus significative différence en coefficients s’observe à 40 employés.
Nous observons dans le panel supérieur du tableau V que la différence de pertes entre petites et
grandes firmes se trouvent autour de 30 employées. Il serait donc logique pour les firmes de réduire
leur nombre d'employés avant d'atteindre ce bris dans la densité. Ce n’est pas intéressant pour les
firmes burundaises de fonctionner avec plusieurs employés durant les pannes. La solution fiable
réside en l’acquisition et en l’usage de générateurs durant les pannes. Le tableau IV suggère une
hausse des coûts variables additionnels associés à l’usage de générateurs chez les petites firmes à
partir de 25 employés. Les firmes ne se rendront pas au-delà de 20 employés, si elles ne peuvent
pas acheter des générateurs. La distorsion de la performance des firmes burundaises est le délestage
en ce sens où sa durée pousse les petites firmes à ne plus fonctionner sans générateurs. Dans la
prochaine section, nous discutons de la robustesse de l’ensemble de nos résultats.

4.5. ROBUSTESSE
Dans les paragraphes suivants, nous examinons la qualité de nos estimateurs, selon nos
modèles et notre base de données. Nos conclusions sont valides d’après les différents tests de
validité effectués en ANNEXES pour éliminer le biais. Lors de la présentation de nos données,
nous avons déjà expliqué qu’il peut y avoir un biais de sélection. Il est possible que le répondant à
l’enquête de WBES ait un incitatif à mentir. Le fait que certaines firmes déclarent ne pas avoir
connu de coupures électriques sème ce doute de mensonge. Dans tous les cas, nous avons validé
que nos conclusions restent valables en utilisant une variance robuste dans nos régressions. Grâce
aux régressions à variance robuste toujours, nous avons fixé les problèmes d’hétéroscédasticité, de
multicolinéarité et d’hétérogénéité découverts par ces tests non-paramétriques. Les valeurs
aberrantes n’influencent pas nos résultats.

En nous inspirant de Moyo (2013), nous avons examiné l’importance de l’âge des firmes dans la
réponse au délestage. Tout comme l’entrepreneuriat au féminin, l’âge n’influence ni le délestage
ni la performance des firmes. Tout comme Moyo (2013), nous aurions aimé avoir des données sur
la part exacte de l’accès ou de l’achat d’une génératrice dans l’ensemble du capital des firmes. Une
variable précisant le pourcentage (ou montant) d’emprunt pour acquérir cette machine aurait été
utile à ce mémoire. Nous aurions pu évaluer la facilité d’emprunt qu’ont les firmes particulièrement
pour se doter de cet équipement. Il aurait été beaucoup plus précis de comparer la performance des
firmes avant et après l’usage des générateurs. Dans tous les cas, nous avons fixé ces défis dans
notre recherche par les MCO. Nous avons expliqué au début de ce mémoire que les MCO sont plus

page 51 sur 60
appropriés que les MCG pour fixer nos biais. Du reste, nous croyons que la disponibilité des
variables précédemment citées améliorerait à la hausse nos résultats. Il n’y a pas de mise à jour de
la base de données de WBES sur le Burundi depuis 2006. La prochaine section est la conclusion
globale de ce mémoire.

SECTION 5 : CONCLUSION
L’objectif de ce mémoire est d’effectuer une analyse de la performance des entreprises dans un
contexte de croissance de la productivité et de délestage hydroélectrique non-planifié. Notre base
de données est fournie par WBES à partir de son enquête sur le climat d’affaires au Burundi. Nous
avons identifié les déterminants du délestage qui affectent négativement le rendement des firmes.
Dans nos données, le délestage se mesure en heures ou en nombre de coupures. La durée des
coupures est responsable d’un bris de cette densité autour de 20 employés selon la méthodologie
de régression linéaire locale de McCrary (2008). Ce bris dans la densité est en fait la plus grande
valeur significative de la durée ou de la fréquence des pannes par rapport à la performance. À force
d’exercer un arrêt unilatéral, volontaire et géographique d’électricité, les firmes développent des
mécanismes d’adaptation. Ce sont ces mécanismes qui conduisent aux changements de mesure de
performance. Les firmes ne parviennent pas à continuer de fonctionner sans générateurs à cause de
la durée des pannes.

Notre recherche avait deux principales questions qu’elle visait à élucider. À la question de savoir
si le délestage affecte la performance des firmes burundaises, nous répondons par l’affirmative.
Nos tableaux (I, II et III) se rejoignent pour dire qu’il y a une discontinuité causée par le délestage.
À la question de savoir si le délestage pénalise la performance d’une catégorie de firmes plutôt
qu’une autre, nous répondons par l’affirmative. Encore une fois, les tableaux (II, III, IV et V)
soutiennent notre affirmation. Les firmes craignent surtout une forte fréquence des pannes et une
durée importante des pannes. Nos conclusions rejoignent les observations de Moyo (2013) qui
montraient qu’entre la fréquence et la durée des pannes, cette dernière l’emporte à partir d’une
certaine taille de firmes. Nos conclusions soutiennent aussi Abotsi (2016) et, Reinikka et Svensson
(2002) qui argumentaient que le délestage crée une mauvaise allocation des ressources des firmes.
Les firmes sont obligées de concentrer leurs finances en acquisition de générateurs et d’accepter
une baisse de leur chiffre d’affaires. Au Burundi, le délestage cause des pertes comme le disent
Abeerese, et al. (2017) et provoque des coûts variables additionnels comme le disent Bonnet et al.

page 52 sur 60
(1993) et Zuberi (2012). Ce mémoire s’inscrit ainsi dans la pensée de Allcott et al. (2014); Alby et
al. (2013); Fisher-Vanden, et al. (2012) et Schure, et al. (2015). Ces auteurs suggéraient que face
au délestage, il faut des générateurs ou cesser de produire durant les pannes. Pour toute l’année
étudiée de 2006, les firmes ont connu en moyenne 11.23 coupures hydroélectrique d’une durée
moyenne de 2 heures par jour (tableau I). L’apport de ce mémoire est de souligner l’importance de
la stratégie de délestage sur la rentabilité des firmes. Des coupures non-planifiées sont
dommageables pour les PME, producteurs majoritaires d’une économie en développement.

Au-delà de la réallocation des ressources des firmes, notre étude a permis de mettre en évidence la
mauvaise allocation des ressources électriques. D’une part, les générateurs devraient être
disponibles pour tous. D’autre part, la stratégie de délestage devrait être revue dans toutes les
économies qui, comme le Burundi, établissent un arrêt discrétionnaire et aléatoire d’électricité.
Plutôt qu’un délestage universel, nous recommandons un délestage sur bris dans la densité de
consommation énergétique des firmes. Nous reconnaissons que le délestage est effectué à cause de
l’insuffisance énergétique. Avant de compléter un projet d'électrification ou de se tourner vers les
énergies renouvelables145(Abdullah et Jeanty, 2011), un octroi de subvention ou d’exemption à
l’achat des générateurs est réalisable. Notre recherche invite les décideurs à opérer un
développement économique global. Un approvisionnement électrique durable implique de
renforcer l’investissement en infrastructures et d’anticiper les dynamiques de performance
industrielle. Avant de délester, il faut considérer le coût de substitution électrique différent selon
la taille des firmes.

145
D’après notre définition, une énergie renouvelable provient d’une source intarissable d’énergie. À titre d’exemple,
nous pouvons l’énergie solaire, l’énergie éolienne etc.
page 53 sur 60
RÉFÉRENCES BIBLIOGRAPHIQUES
Abeberese, A.B. (2017). Electricity cost and firm performance: Evidence from India, Review of
Economics and Statistics, 99(5), 839-852.

Abdullah, S. et Jeanty, P. W. (2011). Willingness to pay for renewable energy: Evidence from a
contingent valuation survey in Kenya, Renewable and Sustainable Energy Reviews, 15(6),
2974-2983.

Abotsi, A. K. (2016). Power outages and production efficiency of firms in Africa, International
Journal of Energy Economics and Policy, 6(1), 98-104.

Agénor, P. R., et Moreno-Dodson, B. (2006). Public infrastructure and growth: New channels and
policy implications (No 4064), The World Bank.

Alam, M. (2013), Coping with Blackouts: Power Outages and Firm Choices, Department of
Economics, Yale University.

Alarello, L., Bourgeois, E. et Guyot, J.L. (2007). Statistique descriptive: un outil pour les
praticiens-chercheurs, De Boeck Supérieur.

Alby, P., Dethier, J.-J.et Straub, S. (2013). Firms operating under electricity constraints in
developing countries, World Bank Economic Review, 27(1), 109-132.

Allcott, H., Collard-Wexler, A. et O’Connel, S. (2014). How do electricity shortages affect

productivity? Evidence from India, American Economic Review, 106(3), 587-624.

Andersen, T. B., et Dalgaard, C. J. (2013). Power outages and economic growth in Africa, Energy
Economics, 38, 19-23.

Anderson, D.R., Sweeney, D.J., Williams, T.A. et Camm, J.D., Cochran, J.J. (2015). Statistiques
pour l'économie et la gestion 5è édition, De Boeck Supérieur (1ère éd.: 2007)

Ball, L. et Mankiw, N. G. (1994). Asymmetric price adjustment and economic fluctuations, The
Economic Journal, 104(423), 247-261.

Banerjee, A. V. et Moll, B. (2010). Why does misallocation persist, American Economic Journal:
Macroeconomics, 2(1), 189-206

page 54 sur 60
Berger, A. N. et Udell, G. F. (2006). A more complete conceptual framework for SME finance,
Journal of Banking & Finance, 30(11), 2945-2966.

Bonnet, X., Dubois, É. et Fauvet, L. (1999). Asymétrie des inflations relatives et menus costs: Tests
sur l'inflation française, Revue économique, 3(50), 547 à 556.

Bowen, M., Morara, M. et Mureithi, S. (2009). Management of business challenges among small
and micro enterprises in Nairobi-Kenya, KCA Journal of Business Management, 2(1), 16-
31.

Cabral, L.et Mata, J. (2003). On the evolution of the firm size distribution: Facts and theory,
American Economic Review, 93(4), 1075-1090.

Carlsson, F. et Martinsson, P. (2008). Does it matter when a power outage occurs? - A choice
experiment study on the willingess to pay to avoid power outages, Energy Economics, 30,
1232–1245.

Caselli, F. et Feyrer, J. (2007). The Marginal product of capital, The Quarterly journal of
economics, 122(2), 535–568.

Cissokho, L. et Seck, A. (2013). Electric Power Outages and the Productivity of Small and Medium
Enterprises in Senegal, Investment Climate and Business Environment Research Fund
Report, 77/13.

Dedrick, J., Gurbaxani, V., et Kraemer, K. L. (2003). Information technology and economic
performance: A critical review of the empirical evidence, ACM Computing Surveys
(CSUR), 35(1), 1-28.

Doe, F. et Asamoah, E. S. (2014). The effect of electric power fluctuations on the profitability and
competitiveness of SMEs: A study of SMEs within the Accra Business District of Ghana,
Journal of Competitiveness, 6(3), 32-48.

Easterly, W., et Rebelo, S. (1993). Fiscal policy and economic growth, Journal of monetary
economics, 32(3), 417-458.

Foster, V. et Steinbuks, J. (2009). Paying the Price for Unreliable Power Supplies: In House
Generation of Electricity by Firms in Africa(No 4913), World Bank Policy.

Foundjem-Tita, D., Speelman, S., D'Haese, M., Degrande, A., Van Huylenbroeck, G., Van
Damme, P. et Tchoundjeu, Z. (2013). A tale of transaction costs and forest law compliance:

page 55 sur 60
 Trade permits for non-timber forests products in Cameroon, Forest Policy and Economics,
38, 132-142.

Gichuki, J. A., Wangui, A. N. et Ondabu I. T. (2014). Challenges facing micro and small enterprises
in accessing credit facilities in Kangemi Harambee market in Nairobi City County, Kenya,
International Journal of Scientific and Research Publications, 4(12), 1-25.

Goyette, J. (2014). The Determinants of the Size Distribution of Firms in Uganda, The European
Journal of Development Research, 26(4), 456-472.

Guérineau S. et Jacolin, L. (2014). L’inclusion financière en Afrique subsaharienne : faits stylisés

et déterminants, Revue d’économie financière, 4(116), 57-80.

Heyer, E., Pelgrin, F., et Sylvain, A. (2004). Durées d'utilisation des facteurs et fonction de
production: une estimation par la méthode des moments généralisés en système(No. 2004-
12), Bank of Canada, ISSN 1192-5434.

Hopenhayn, H.A. (2014). On the Measure of Distortions, NBER Working Papers Series, 20404.

Hsieh, C. T. et Klenow, P. J. (2009). Misallocation and manufacturing in China and India, The
Quarterly Journal of Economics, 124(4), 1403–1448.

Hubbard, D. W., et Carriquiry, A. L. (2019). Quality Control for Scientific Research: Addressing
Reproducibility, Responsiveness, and Relevance, The American Statistician, 73(sup1), 46-
55.

Jagger, P. etShively, G. (2015). Taxes and bribes in Uganda, The Journal of Development Studies,
51(1), 66-79.

Johnson, N. L., Kemp, A. W., et Kotz, S. (2005). Univariate discrete distributions, John Wiley &
Sons (Vol. 444).

Jovanovic, B. et Rousseau, P. L. (2008). Merges as Reallocation, The Review of Economics and

Statistics, 90(4), 765-776.

Kohler, U. et Kreuter, F. (2012). Data Anaysis Using Stata Third Edition, Stata Press (1ère Éd.:
2005), ISBN-13: 978-1-59718-110-5.

Korn, E. L., et Graubard, B. I. (1990). Simultaneous testing of regression coefficients with complex
survey data: Use of Bonferroni t statistics, The American Statistician, 44(4), 270-276.
page 56 sur 60
Kowal, R. (2016). Characteristics and properties of a simple linear regression model, Folia
Oeconomica Stetinensia, 16(1), 248-263.

Leblond, S. (2003). Lexique Anglais-Français de Termes Économétriques, Université de Montréal,

https://mail.cirano.qc.ca/~mccauslw/ECN3949/Lexique_Angl-Franc_Econ.pdf.

Lee, D. S. et Lemieux, T. (2010). Regression discontinuity designs in economics, Journal of

Economic Literature, 48(2), 281-355.

Lucas Jr, R. E. (1978). On the size distribution of business firms, The Bell Journal of Economics,
508-523.

Luttmer, E. G. J. (2007). Selection, growth and the size distribution of firms, The Quarterly Journal
of Economics, 122(3), 1103-1144.

McCrary, J. (2008). Manipulation of the running variable in the regression discontinuity design: A
density test, Journal of Econometrics, 142(2), 698-714.

Merima, A., Odd-Helge, F. et Hoem Sjursen, I. (2014). To pay or not to pay? Citizen’s attitudes
toward taxation in Kenya, Tanzania, Uganda and South-Africa, World Development, 64,
828-842.

Moll, B. (2014). Productivity losses from financial frictions: Can self-financing undo capital
misallocation?, American Economic Review, 104(10), 3186-3221.

Moyo, B. (2013). Power infrastructure quality and manufacturing productivity in Africa: A firm
level analysis, Energy Policy, 61(C), 1063-1070.

Ndikumana, L. (2003). Capital flows, capital account regimes, and foreign exchange rate regimes
in Africa, SSRN.

Onji, K. (2009). The response of firms to eligibility thresholds: Evidence from the Japanese value-
added tax, Journal of Public Economics, 93(5-6), 766-775.

Pagano, P., et Schivardi, F. (2003). Firm size distribution and growth, Scandinavian Journal of
Economics, 105(2), 255-274.

page 57 sur 60
Programme des Nations Unies pour le Développement. (2018). Objectifs de développement
durable, Programme des Nations Unies pour le Développement. New-York, USA: Nations-
Unies (1ère Éd.: 2015).

Poschke, M. (2018). The firm size distribution across countries and skill-biased change in
entrepreneurial technology, American Economic Journal: Macroeconomics, 10(3), 1-41.

Prescott, E. C et Parente, S. L. (1999). Monopoly rights: A barrier to riches, American Economic

Review, 89(5), 1216-1233.

Reinikka, R. et Svensson, J. (2002). Coping with poor public capital, Journal of Development
Economics, 69(1), 51-69.

Restuccia, D. et Rogerson, R. (2008). Policy distortions and aggregate productivity with

heterogeneous establishments, Review of Economic dynamics, 11(4), 707-720.

Romer, D. (2011). Advanced Macroeconomics, The McGraw Hill Companies (1ère Éd: 2000)

Schure, J., Ingram, V., Arts, B., Levang, P. et Mvula-Mampasi, E. (2015). Institutions and access
to woodfuel commerce in the Democratic Republic of Congo, Forest Policy and
Economics, 50, 53-61.

Sims, R.L. (2000). Bivariate Data Analysis: A Practical Guide, Nova Publishers.

StataCorp LLC. (2013). Stata Base Reference Manual Release 13, Stata Press, ISBN-13: 978-1-
59718-116-7.

StataCorp LLC. (2017). Stata User's Guide Release 16, Stata Press, ISBN-13: 978-1-59718-255-
3.

Stern, V. M., R. E. Smith, R. van den Bosch, et K. S. Hagen. The Integrated Control Concept,
Hilgardia, 29 (1959): 81-101.

Stock, J. H., et Watson, M. W. (2015). Introduction to econometrics: Updated Third Edition,

Pearson Education Limited (1ère Éd: 2002).

Taiwo, J. N., Falohun, T. O. et Agwu, M. E. (2016). SMEs financing and its effects on Nigerian
economic growth, European Journal of Business Economics and Accountancy, 4(4), ISSN
2056-6018.

page 58 sur 60
Tybout, J. R. (2000). Manufacturing firms in developing countries: How well do they do and why,
Journal of Economic Literature, 38(1), 11-44.

UNCTAD/ALDC/AFRICA. (2014). Le Développement économique en Afrique. Catalyser

l’investissement pour une croissance transformatrice en Afrique (Rapport 2014),
CNUCED, ISBN 978-1-212404-9.

United Nations Statistical Commission. (2002). International standard industrial classification of

all economic activities, Revision 3.1., Première partie, Chapitre II.A.1. Paragraphe13, p.10
sur les principes généraux de classification,
https://unstats.un.org/unsd/publication/seriesm/seriesm_4rev3_1e.pdf .

Vella, F. (1998). Estimating models with sample selection bias: a survey, Journal of Human
Resources, 127-169.

Wasserstein, R. L., Schirm, A. L., et Lazar, N. A. (2019). Moving to a world beyond “p< 0.05”,
The American Statistician, 73:sup1, 1-19, DOI: 10.1080/00031305.2019.1583913.

Wooldridge, J., André, P., Beine, M., Béreau, S., de la Rupelle, M., Durré, A., Gnabo, J.-Y.,
Heuchenne, C., Leturcq, M. et Petitjean, M. (2016). Introduction à l'économétrie: une
approche moderne 6ème édition. De Boeck Supérieur (1ère éd : 2006).

World Bank (2013) , Burundi Revue des dépenses publiques: Renforcer l’efficacité des pouvoirs
publics et le rôle de la politique budgétaire, Washington D.C., USA: World Bank Group,
http://documents.worldbank.org/curated/en/143011468230116226/Burundi-Public-
expenditure-review-strengthening-fiscal-resilience-to-promote-government-effectiveness.

World Bank Group. (2016). Doing business regional profile: Sub-Saharan Africa (SSA) (English).
Doing Business 2017. Washington D.C., USA: World Bank Group,
http://documents.worldbank.org/curated/en/867291478860721343/Doing-business-
regional-profile-Sub-Saharan-Africa-SSA.

World Economic Forum. (2018). Regional risks for doing business. Insight Report. Geneva,
Switzerland: World Economic Forum.

Yaya, D. M., (2013). Fruits de la croissance au Sénégal : répartition et impacts, Mémoire de

Maitrise, Économie, École Nationale de la Statistique et de l’Analyse Économique,
Sénégal.

page 59 sur 60
Zhang, Y., Parker, D. et Kirkpatrick, C. (2005). Competition, Regulation and Privatization of
electricity generation in developing countries: Does the sequencing of the reforms matter,
The Quarterly Review of Economics and Finance, 45(2-3), 358-379.

page 60 sur 60
 p.1 Délestage électrique et Performance des firmes au Burundi : La taille des firmes importe-t-elle?

ANNEXES
A.1. Liste des villes étudiées et des secteurs d’activité des firmes :
Selon les données de WBES, voici les secteurs d’activités touchées par notre étude. Il
est important de souligner que toutes nos données ne concernent que la ville de Bujumbura
uniquement:

D’après toujours la méthodologie d’échantillonnage de WBES, un échantillon de 102 firmes

représente une population de 200 à 600 entreprises burundaises 146. Afin de formuler des
conclusions valides et des inférences robustes, dans sa méthodologie d’échantillonnage, WBES
invite à la prudence. Il y a des variables qui fournissent des valeurs intéressantes dans l’étude des
moyennes et non robustes pour les proportions. Par conséquent, il est recommandé d’estimer la
variance des variables pour extraire une asymétrie ou une discontinuité147. Avec cette
méthodologie, WBES indique que dans une économie en développement, notre échantillon
représente plus de 4000 firmes.

A.2. Analyse graphique :

Compte tenu de ce qui précède, l’un peut se demander l’allure et/ou les propriétés de la courbe de
performance économique. Dedrick et al. (2003) ont introduit en mentionnant que cette variable
dépend surtout de ses variables indicatrices. Toutefois, nous pouvons dire que la courbe de

146
Voir Tableau I de WBES: Understanding the Sampling Methodology (2007), p.5. Ce tableau montre
qu’avec un échantillon de de moins de 115 entreprises, à 5% d’intervalle de confiance, nous aurons une
explication du comportement de 100 à 200 firmes dans la population. À 7.5% d’intervalle de confiance, l’on
arrive avec notre actuel échantillon à traduire le comportement de 600 à 700 firmes.
147
Voir Tableau I de WBES: Understanding the Sampling Methodology (2007), p.7.
 p.2 Délestage électrique et Performance des firmes au Burundi : La taille des firmes importe-t-elle?

performance est convexe lorsque celle-ci est mesurée par les coûts variables additionnels
d’exploitation. Le point minimum local représente le bris dans la densité de rentabilité de la firme.
Cependant, pour une performance selon les pertes de ventes, la courbe associée est concave et le
maximum local est un bris dans la densité de fermeture148. Pendant les pannes électriques,
l’entreprise finit par embaucher un employé additionnel sans acquisition de groupes électrogènes.
Malheureusement, celui-ci ne contribuera plus à une hausse de performance, tellement la
probabilité de coupures est importante (Reinikka et Svensson, 2002). Ce mémoire a analysé
également la continuité de la courbe de performance. Chez Goyette (2014), il avait été prouvé
qu’un bris dans la densité existait dans la taille des firmes à cause de la fréquence d’audits fiscaux.
Ce mémoire a gardé la taille des firmes parmi les variables d’intérêt pour créer la qualité de
l’infrastructure électrique. Dans la mesure où affecte la performance économique, il faut vérifier
si un bris de performance existe. À gauche du bris dans la densité, les firmes auraient un estimateur
significatif de la qualité de l’infrastructure électrique. Cet estimateur ne serait plus significatif à
droite du bris dans la densité et correspondrait à une discontinuité dans la régression selon Lee et
Lemieux (2010)149. C’est l’impossible prévision d’interruption électrique et de sa durée
aléatoirement qui alimente davantage un soupçon de discontinuité. Une grande probabilité de
pannes pousse les firmes à s’équiper en générateurs et à être plus performantes que leurs
homologues. Les générateurs n’aideront donc qu’à remonter la production, à éviter les pertes de
ventes non écoulées et à rencontrer leur cible initiale de performance. Une faible probabilité de
pannes fait en sorte que les firmes sont performantes sans usage de génératrices, mais uniquement
grâce à l’électricité du réseau central. En fait, utiliser ces équipements en temps de disponibilité
hydroélectrique leur occasionne des coûts additionnels d’exploitation dont les firmes préfèrent se
passer. Cette variabilité de la fréquence des pannes impose un test de discontinuité de la qualité
de l’infrastructure électrique (McCrary, 2008). Lee et Lemieux (2010) expliquent que ce constat
ne suffit pas pour suspecter une discontinuité de la régression de la performance sur la qualité de
l’infrastructure électrique:

RD (regressions discontinuity) designs can be invalid if individuals can precisely

manipulate the “assignment variable”. When there is a payoff or benefit to receiving
a treatment, it is natural for an economist to consider how an individual may behave
to obtain such benefits. For example, if students could effectively “choose” their test

148
Niveau de production qui s’il n’est pas atteint, entraine la fermeture de l’entreprise.
149
Lee et Lemieux (2010), p.8. ont défini une discontinuité en régression (RD) ainsi :
[…]of the RD design, all individuals to the right of the cutoff (c = 2 in this example) are exposed to
treatment, and all those to the left are denied treatment.
 p.3 Délestage électrique et Performance des firmes au Burundi : La taille des firmes importe-t-elle?

score X through effort, those who chose a score c (and hence received the merit
award) could be somewhat different from those who chose scores just below c. The
important lesson here is that the existence of a treatment being a discontinuous
function of an assignment variable is not sufficient to justify the validity of an RD
design. (Lee et Lemieux, 2010)150
Abotsi (2016) propose une équation de Tobit pour mesurer la performance selon le nombre de
coupures électriques. Nous nous sommes inspirés de son équation pour monter le modèle de ce
mémoire.

Les paragraphes suivants relatent les observations essentielles issues des graphiques retenus et leurs
implications économétriques. À la fin de cette section, nous nous attendons à voir une corrélation
entre le délestage et la performance. Dans le prochain titre, nous avons défini les graphiques ainsi
que le contexte dans lequel ceux-ci sont utilisés. Le titre suivant rapporte l’essentiel de l’examen
des graphiques. Le dernier titre de cette section rappelle les implications économétriques
qu’apporte cet examen graphique.

A.2.1. Introduction.
L’objectif de cette section est de repérer graphiquement les caractéristiques de la densité de la
performance des firmes. Dans les paragraphes qui suivent, nous avons d’abord défini les propriétés
de chaque graphique choisi. Ensuite, nous avons brièvement expliqué la pertinence de ce choix de
graphiques dans notre étude. Enfin, nous sommes revenus sur les observations faites à partir desdits
graphiques.

Les histogrammes et la densité de Kernel « se rapprochent de la densité de la fonction étudiée 151.

Lorsque les données sont divisées en intervalles indépendantes, les histogrammes sont des
diagrammes à barres qui illustrent les fréquences. Chaque intervalle comprend un nombre de
valeurs de données. Chaque barre est centrée au milieu de chaque intervalle. La hauteur de chaque
barre reflète le nombre moyen de valeurs de données dans l’intervalle. La densité de Kernel est
identique à l’exception que les intervalles chevauchent en créant une courbe lisse »152. Ces deux
graphiques « nous autorisent à modéliser la moyenne d’une variable indépendante (expliquée) par
rapport à ses régresseurs quand nous ignorons la forme de la fonction de ce modèle »153.

150
Lee et Lemieux (2010), p.2.
151
Dans notre cas, il s’agit de la fonction de la performance des firmes.
152
Notre traduction. Cité de StataCorp LLC. (2013). Stata Base Reference Manual Release 13, Stata Press,
p.1004.
153
Notre traduction. Cité de StataCorp LLC. (2017). Stata User's Guide Release 16, Stata Press, p.354. Dans
ce manuel, les auteurs ont surtout insisté sur l’usage de la densité de Kernel pour des régressions non-
paramétriques. Dans ce cas et selon cet ouvrage, l’estimateur de Kernel trouvé est local et linéaire, permettant
 p.4 Délestage électrique et Performance des firmes au Burundi : La taille des firmes importe-t-elle?

Les boxplots (ou boîtes de Tukey154) sont « utiles pour comparer les distributions de plusieurs
variables ou la distribution d’une (1) variable dans plusieurs groupes. »155. Ces diagrammes
montrent les variables catégorielles toujours en abscisses et la variable expliquée en ordonnées. À
l’intérieur d’une boîte, les valeurs par catégorie de groupes montrent leur médiane. À l’extérieur,
les valeurs maximales, minimales et aberrantes. Quant aux diagrammes QQ, ils servent à observer
l’allure d’une distribution par rapport à la loi normale afin d’apprécier le recours à un test de
𝑖
normalité156. Ainsi, nous avons tracé la ième valeur ordonnée par rapport au 𝑛+1 ème quantile de la

distribution normale standard. En cas d’asymétrie, les valeurs extrêmes sont plus ou moins
importantes que prévues dans le graphique QQ. Ainsi, les valeurs vont se concentrer soit proches
de l’origine (asymétrie à gauche), soit dans le dernier quantile (asymétrie à droite).

Le graphique de discontinuité de McCrary (2008) montre le bris dans la densité de la distribution

étudiée s’il existe. Logiquement, ce graphique devrait corroborer les observations faites sur les
graphiques QQ. En effet, s’il existe un bris dans la densité alors il est crédible de voir une asymétrie
de la distribution étudiée. Les valeurs précédant le bris dans la densité auraient un effet de
concentration (ou non) qui changera une fois le bris dans la densité.

Pour étudier l’effet du délestage sur la performance des firmes burundaises, nous avons besoin de
tous ces graphiques. Quoique nous ignorons l’allure de la courbe, nous savons que les firmes
s’adaptent au délestage selon leur taille. L’usage des variables catégorielles par taille de firmes
justifie les histogrammes et les diagrammes de Tukey. Le soupçon d’une existence de bris dans la
densité motive quant à lui l’analyse des diagrammes QQ. Les modèles linéaires plus haut posés

de comprendre les effets marginaux sur les régresseurs continus. De plus, si le modèle est linéaire, l'estimateur
linéaire local permet de récupérer une moyenne linéaire, alors que la constante locale peut ne pas l'être. Voir
aussi Kohler, U. et Kreuter, F. (2012), p. 191. Ces auteurs parlent de la contribution graphique de la densité
de Kernel dans une analyse économétrique.
154
StataCorp LLC. (2013). Stata Base Reference Manual Release 13, Stata Press, p.439
155
Notre traduction. Cité de StataCorp LLC. (2013). Stata Base Reference Manual Release 13, Stata Press,
p.439.
156
Dans StataCorp LLC. (2013). Stata Base Reference Manual Release 13, Stata Press, p.430 nous lisons
dans la note technique que le test de normalité n’est requis que si le diagramme QQ le suggère. Autrement
dit, il y aurait une déviation par rapport à la loi normale :
« The idea behind qnorm is recommended strongly by Miller (1997): he calls it probit plotting. His
recommendations from much practical experience should interest many users. “My recommendation
for detecting nonnormality is probit plotting” (Miller 1997, 10). “If a deviation from normality
cannot be spotted by eye on probit paper, it is not worth worrying about. I never use the
Kolmogorov–Smirnov test (or one of its cousins) or the χ2 test as a preliminary test of normality.
They do not tell you how the sample is differing from normality, and I have a feeling they are more
likely to detect irregularities in the middle of the distribution than in the tails.» (Miller 1997, 13–
14).
 p.5 Délestage électrique et Performance des firmes au Burundi : La taille des firmes importe-t-elle?

encouragent l’examen du graphique de la densité de Kernel. Enfin, la possibilité de discontinuité à

la suite de l’existence potentiel de bris dans la densité explique l’étude du graphique de
discontinuité de McCrary (2008).

Dans la prochaine section, nous allons examiner les graphiques et proposer un résumé des
observations essentielles à notre recherche.

A.2.2. Étude des graphiques.

Cette section résume les principales observations faites à partir des graphiques ci-haut cités.

Les figures 3’ et 4’ rapportent la discontinuité de McCrary (2008). Pour le log des pertes, autour
du bris dans la densité soupçonné (22 employés selon le tableau II) le comportement est pareil.
Les coûts variables ont un changement de comportement autour du bris dans la densité soupçonné
(18 employés selon le tableau II). Le pic rapporté par la densité de Kernel est proche de l’origine.
Fig. 3’ : Log des pertes dues aux coupures - Test de Fig. 4’: Log des coûts variables issues de l'usage de
discontinuité générateurs - Test de discontinuité

Les figures 5 (à gauche) et 5’ (à droite) présentent les histogrammes. Par rapport à la loi normale,
les plus hautes bandes d’histogrammes traduisent une asymétrie. En effet, ça démontre que les
données sont étendues autour de la médiane du log des pertes alors qu’elles le sont autour de la
moyenne du log des pertes (1.55).
 p.6 Délestage électrique et Performance des firmes au Burundi : La taille des firmes importe-t-elle?

Fig. 5: Log des pertes dues aux coupures Fig. 5': Log des coûts variables issues de l'usage de
- Histogrammes générateurs – Histogrammes

Les figures 6 et 7 montrent la dispersion des pertes et des coûts additionnels d’exploitation issus
du délestage. Le graphique suggère une relation positive entre le volume de pertes et la fréquence
du délestage. Le graphique suggère également une relation quadratique entre les pertes et les
coupures selon la taille des firmes. En effet, le kurtosis de cette courbe se comprend comme un
plafond du nombre d’employés délimitant la taille des petites firmes. Nous n’avons donc pas de
bris dans la densité impliquant un changement de pentes. Les firmes burundaises subissent des
pertes face au délestage à mesure que leur taille et les pannes. À partir d’une certaine fréquence de
pannes, les pertes baissent selon la taille des firmes. Ainsi, que les coupures soient plus ou moins
régulières, les pertes diffèrent dépendamment de la taille des firmes.
Fig. 6: Log des coûts variables para rapport à la taille Fig. 7: Log des pertes par rapport aux coupures
des firmes selon la fréquence du délestage
 p.7 Délestage électrique et Performance des firmes au Burundi : La taille des firmes importe-t-elle?

Les figures 8 et 9 montrent les boxplots et les diagrammes QQ (pour les quantiles). Le boxplot du
log des coûts variables positionne les données situées le plus à gauche. Le boxplot du log des pertes
ne semble avoir aucun positionnement particulier. Pour les figures des quantiles, le log des pertes
est étalé sur les trois derniers quantiles; ce qui suggère une distribution asymétrique à gauche. Le
log des coûts variables est étendu sur les trois premiers quantiles. Ce graphique propose ainsi une
distribution asymétrique à droite.

Les graphiques nous renseignent sur les distributions des indicateurs de performance157. Elles sont
peut-être discontinues à cause du délestage ou de tout autre caractéristique des firmes158. L’effet
des coupures sur la performance, mesurée par les pertes montre une concentration des données à
droite (voir figures 6 et 7). Le comportement des firmes ne change pas avec le délestage mais plutôt
avec les coûts et pertes conséquents au délestage. Sur la figure 7, nous voyons que les firmes
accablées par des coûts variables se retrouvent loin de l’origine. Parallèlement, les firmes qui
acceptent ce genre de coûts enregistrent des pertes moins importantes sur la figure 6. Les pertes et
les coûts issus du délestage engendrent un ralentissement de croissance de la taille des firmes.
Certes, ce comportement ne s’observerait qu’en cas de délestage important. Toutefois, nous ne
pouvons pas dire qu’il (le comportement) occasionne un bris dans la densité des courbes des
indicateurs de performance.

Nous venons de voir que presque tous les graphiques suggèrent une asymétrie à droite du log des
pertes et du log des coûts. Selon la position de la médiane des boxplots et l’étendue de la densité
de ces variables sur plusieurs quantiles des graphiques QQ, nous voyons des différences par rapport
à la loi normale. Nous avons observé aussi une bande d’histogrammes et un pic de la densité de
Kernel très importants. Il revient à dire que ces indicateurs de performance (log des pertes et log
des coûts) seraient discontinués. L’une des implications économétriques de ces observations serait
violée : la continuité. La continuité est une propriété économétrique que doivent respecter nos
variables pour être utilisées dans des régressions par les MCO. À défaut de quoi, il y aurait un biais
dans nos résultats. La section suivante revient sur ces implications économétriques.

157
le log des pertes et le log des coûts variables sont les indicateurs de performance tel que définis dans la
section Données et Méthodologie
158
autre variable explicative citée dans la section Données et Méthodologie.
p.8 Délestage électrique et Performance des firmes au Burundi : La taille des firmes importe-t-elle?

Fig. 8: Graphique boxplots: Log des coûts variables & Log des pertes

Fig. 9: Graphique des quantiles (QQ-plots): Log des coûts variables & Log des pertes
 p.9 Délestage électrique et Performance des firmes au Burundi : La taille des firmes importe-t-elle?

A.2.3. Implications économétriques.

Par cette recherche, nous voulons comprendre la (ou l’absence de) contribution du délestage sur la
(ou les cibles) de performance des firmes. Afin de mesurer cet impact du délestage sur les firmes,
nous utilisons les MCO. Cet outil statistique pose des conditions par lesquelles les estimations
faites sont valides. Dans cette section, nous évaluons si ces conditions économétriques sont (à tester
si) vérifiées graphiquement. De manière plus large, rencontrer ces conditions permet une meilleure
inférence de nos conclusions sur toute la population des firmes burundaises. De plus, d’après notre
modèle, nous avons posé qu’il existe une relation linéaire entre la performance et l’infrastructure
électrique159. Une régression linéaire exige que les variables explicatives et d’intérêt rencontrent
quelques propriétés. L’essentiel à notre recherche parmi ces propriétés est rapporté plus bas.

Selon Kowal (2016) et Stock et Watson (2015), les régressions linéaires et les MCO ont les
propriétés qui suivent. L’estimateur MCO doit être non-biaisé, convergent, robuste et normalement
distribué. Cet estimateur doit être aussi efficient, consistant et significatif. Quant aux MCO, ces
auteurs disent qu’ils doivent avoir une moyenne nulle des termes d’erreurs par rapport aux
régresseurs. Les variables omises et les valeurs aberrantes sont à extraire de la régression. La
régression linéaire a des régresseurs aux propriétés suivantes. Ceux-ci doivent être testés pour
l’endogénéité entre eux, la multi-colinéarité et la continuité. Tout comme, les résidus de la
régression sont testés pour la normalité, l’homoscédasticité et l’indépendance par rapport aux
régresseurs.

À la suite de l'examen des graphiques et des tableaux précédents, nous pouvons conclure ce qui
suit. Les variables expliquées sont continues sur leur intervalle. Il s’agit de conclusions des tableaux
I et II ainsi que de la densité de Kernel. Les variables explicatives sont aussi continues. Il s’agit de
conclusions du tableau I. Les variables expliquées devraient être étudiées telles quelles,
contrairement aux variables explicatives. En effet, ces dernières devraient être étudiées en deux
groupes de dummies indépendants160. Par conséquent, nous devons tester en plus de ce qui précède,
l’homogénéité des variances par groupes. Nous voulons voir si le délestage affecte différemment
les firmes selon leur taille. Toutefois, les indicateurs de performance peuvent avoir des pics selon

159
L’infrastructure électrique telle que définie par Moyo (2013) est le produit de la taille des firmes et du
délestage Pour la définition complète, voir chapitre I de la revue de la littérature.
160
Selon Kowal (2016), p. 250, l’indépendance de deux valeurs est ainsi définie:
[…]3. Independence between one another, i.e. εi and εj are independent for all i and j. 4.
Independence from xi: εi and xj are independent for all i and j (this is a natural assumption, since
xj are non-random, i.e. εi distribution does not depend on xj).
 p.10 Délestage électrique et Performance des firmes au Burundi : La taille des firmes importe-t-elle?

plusieurs graphiques et le tableau II. Nous avons vu que ce ne sont pas des bris dans la densités
potentiels de changement de comportement des firmes. Par conséquent, il est possible de les étudier
sans le recours aux dummies. Toutes les variables n’ont pas de valeurs aberrantes ni extrêmes ni
omises. Cela s’est vérifié pour les indicateurs de performance par les graphiques de boxplots et les
histogrammes. Les variables (expliquées et explicatives) respectent la normalité. L’observation
provient de la comparaison des quantiles des graphiques des diagrammes QQ et aux histogrammes.
Les variables (expliquées et explicatives) sont homogènes en variance et robustes en cas de non-
normalité. La démonstration vient des graphiques de la densité de Kernel et du tableau II.

La normalité observée suggère de recourir au test de Shapiro-Wilk161et celui de Jarque-Bera.

L’homogénéité doit être confirmée par le test de Levene162. Ce test (de Levene) est associé à un
test de robustesse de la variance (une constance statistique de la variance). L’étude des variances
importantes issues du tableau I passera par le test de Wald. L’hétéroscédasticité apparente dans les
histogrammes et les boxplots doit être vérifiée aussi. Nous pouvons pour cela utiliser le test
d’homoscédasticité de Durbin-Watson. Les coefficients de corrélation de Pearson seront étudiés en
profondeur pour confirmer la corrélation entre la performance et le délestage. Ce cadre permettra
de faire et de mieux interpréter le test d’égalité des groupes dummies.

Tous ces tests sont encore plus importants lorsqu’il s’agit d’une étude d’un effet au travers des
groupes dummies. Parlons par exemple du test de Wald. Le test d’égalité en hypothèse alternative
propose une simple inégalité. Pourtant, cette hypothèse ne précise pas le signe de l’estimateur. Le
recours aux dummies suggère que la distribution de la performance n’est pas une loi normale.

La section suivante se concentre sur l’analyse empirique. En outre, elle rapporte les résultats des
tests cités précédemment.

161
Pour le test de Shapiro-Wilk, nous avons H0:W=(aixi2xi-x2)2=1 contre H1:W<1. Pour un nombre plus ou
moins important d’observation, les résultats peuvent biaiser l’interprétation. Il vaut donc mieux l’associer à
une analyse graphique.
162
Pour le test de Levene, nous avons H0:ratio=(sds-sdl)2=1 contre H1:ratio≠1. Si H0 est vrai, en trouvant une
p-value significative, nous ne pouvons pas rejeter H0. Cela implique la confirmation du test de Shapiro-Wilk
et une information à prendre en compte lors du t-test qui prend la mention d’inégalité de variances.
 p.11 Délestage électrique et Performance des firmes au Burundi : La taille des firmes importe-t-elle?

A.3. Autres tests non paramétriques :

Puisque nous travaillons par variation du nombre d’employés par groupe de croissance de la
taille des firmes (Onji 2009), nous étudions un effet dans ces groupes. Tel qu’introduit plus haut,
plusieurs tests d’hypothèses sont requis pour rendre valides nos résultats. Nous avons d’abord
commencé par des tests d’endogénéité 163 en vue de vérifier que les résidus et les coefficients
rapportent la totalité de l’effet étudié. Ensuite, il nous fallait des tests d’homogénéité de la
moyenne par groupe164 pour s’assurer que les écarts-types et les variances de ces groupes sont
robustes. Grâce aux tests toujours, nous avons établi le modèle captant le mieux notre effet du
délestage sur la performance. Notre choix fut celui des moindres carrés ordinaires. En effet,
nous nous attendons à voir une différence de variations intergroupes en moyennes (MCO
approprié). Or, notre modèle central (1) rapporte le comportement de chaque firme i étant donné
au sein d’un groupe de firmes représenté par une variable catégorielle (Ds pour les petites firmes
et Dl pour les grandes). Compte tenu de ce qui précède, le modèle (1) pourrait être un modèle à
effets fixes à estimateur intragroupes165( within estimator). En fait, il était possible d’étudier ces
variations intragroupes par un modèle à effets de concentration166 (pooled effects model) et opté
ainsi pour la méthodologie de Moyo (2013). L’estimation de l’effet de concentration par les
MCO ignorerait les effets spécifiques de chaque firme. C’est une méthode qui serait peu fiable
quant aux résultats qu’elle donnerait167(biais méthodologique). Inspirés de Moyo (2013), pour
construire la variable qualité de l’infrastructure électrique, nos estimations d’effets fixes
intragroupes sont faites par les MCO. Pour terminer, Cabral et Mata (2003) avaient suggéré
d’analyser l’effet d’autres variables de contrôle168 sur la taille des firmes. D’après leur
recherche, une telle analyse se fait pour des données en coupe transversale à travers les groupes

163
Comme tests d’endogénéité, nous avons utilisé 3 tests d’endogénéité : test de Durbin, de Wu-Hausman et
celui de Sargan et Basmann.
164
Comme tests d’homogénéité, nous avons opté pour le test de Levene, de Brown-Forsyth et celui de
Pitmorgan
165
Notre traduction
166
Traduction de OCDE (2006). Glossaire de l'économie de l'OCDE : Anglais-Français. Éditions OCDE,
Paris. Voici la définition que donne cet ouvrage d’un effet de concentration : « comparaison entre la
dispersion d'une population pour une variable donnée et la dispersion des moyennes des divers échantillons
de cette population. » (source : https://fospourtoi.files.wordpress.com/2016/10/oecd-glossaire-de-
lecc81conomie-de-locde-_-anglais-franccca7ais-oecd-publishing-2006.pdf)
167
Agénor, P. R., et Moreno-Dodson, B. (2006). Public infrastructure and growth: New channels and policy
implications. The World Bank, Working Paper 4064
168
Dans leur recherche, ces auteurs ont surtout parlé de l’analyse de l’effet de l’âge des firmes sur la taille de
celles-ci.
 p.12 Délestage électrique et Performance des firmes au Burundi : La taille des firmes importe-t-elle?

de firmes (petites versus grandes firmes). Les corrélations sérielles effectuées lors de notre étude
ont contribué à faire la vérification d’un quelconque effet entre variables explicatives.

Voici les tests qui nous ont aidé à opter pour ce modèle : le test d’Hausman, le facteur d’inflexion
de la variance, la corrélation sérielle et les critères de sélection AIC-BIC. Finalement, nous avons
rajouté le test testparm pour la consistance des résultats et le test de Ramsey. Nous avons aussi
effectué des tests de spécification uniques aux MCO 169, sur les résultats issus de chacun des
régressions. Nous avions expliqué que par la nature de nos données, nous pouvions avoir un enjeu
économétrique d’identification du modèle. Nous verrons si la correction de Bonferroni suffit à
pallier ce problème.

Nous venons d’étudier les tests d’hypothèses ayant permis de mettre en lumière l’existence de
deux groupes de firmes au Burundi. Grâce au test (non paramétrique) de discontinuité de McCrary
(2008)170, nous avons découvert un bris dans la densité de performance délimitant la taille des
petites firmes. Pour le reste des firmes, les tests (paramétriques) de Student d’égalité de deux
échantillons (t-test) et de Wald indiquaient que leur performance dépendra du recours aux
générateurs. L’objectif était de déterminer si le délestage affectait uniformément les firmes. C’est
dans l’optique de lancer plus tard des régressions avec des variables d’intérêt telles que
confirmées par les tests.

Dans cette section, nous continuons à analyser ces variables avec d’autres tests essentiellement
non paramétriques. L’objectif ici est de vérifier le respect des hypothèses implicites à l’estimation
par les MCO que nous utiliserons au chapitre suivant. La découverte de deux groupes de firmes
nous amène à vérifier si ceux-ci sont indépendants ou appariés. La non-significativité ci-haut
conclue pour certains régresseurs (taille des firmes ou carré du nombre de pannes) remet en
question l’identification de nos modèles. Une erreur de mesure (un biais de sélection par exemple)

169
Voici les tests retenus pour soutenir les résultats issus des MCO : le test de Wald, la correction de
Bonferroni, le test de normalité de Shapiro-Wilk et celui de Jarque-Bera, le test d’homoscédasticité de
Durbin-Watson ainsi que les histogrammes.
170
Voir McCrary (2008), page 7:
« Moreover, among nonparametric methods showing good performance at boundaries, local linear
density estimation is simplest. »
Selon la définition d’Ellistat, voici la différence entre les tests paramétriques et les tests non
paramétriques (source : https://ellistat.com/guide-dutilisateur/statistique-inferentielle/tests-parametriques-
vs-non-parametriques/) :
« Les tests paramétriques fonctionnent en supposant que les données que l’on a à disposition suivent
un type de loi de distribution connu (en général la loi normale).[…]Les tests non paramétriques ne
font aucune hypothèse sur le type de loi de distribution des données. Ils se basent uniquement sur
les propriétés numériques des échantillons. »
 p.13 Délestage électrique et Performance des firmes au Burundi : La taille des firmes importe-t-elle?

peut être évité si nous testons les résidus. Les tests non paramétriques permettent toutes ces
manipulations.

Les tests non paramétriques suivants sont des compléments aux derniers tests effectués aussi
par Goyette (2014). Il s’agit de tests optionnels choisis par l’auteure de cette recherche pour les
raisons plus haut indiquées. Toutefois, l’un peut s’interroger sur leur apport à la compréhension
des résultats de cette recherche. L’autre peut se demander sur quelle base l’auteure de cette
recherche les a choisis. Comme nous venons de le voir, le choix des tests vient essentiellement
des hypothèses implicites des MCO. Cependant, le recours à de pareils tests est une
recommandation d’autres chercheurs. Selon Wasserstein, Schirm et Lazar (2019) et Hubbard et
Carriquiry (2019)171, la significativité des tests paramétriques n’est pas suffisante pour conclure
qu’il y a un effet réel entre des variables. En effet, les tests d’hypothèses en général servent à
procurer aux décideurs des mesures de pertinence motivant la mise en place d’une politique.
Dans notre cas, les tests antérieurs à cette section servent à informer sur la distribution de la
performance des firmes burundaises face au délestage. D’après les précédents auteurs, il est
important de développer des mesures de contrôle de qualité d’une recherche pour ne pas en
retarder l’application et en faire douter la performance. Par ailleurs, nous avions parlé d’autres
raisons motivant le recours aux tests non paramétriques. Au-delà des hypothèses implicites des
tests paramétriques, il y a des caractéristiques de nos données qui nous encouragent à recourir
aux tests non paramétriques. Lors de la description de nos données, nous avions évoqué qu’il
est possible que celles-ci souffrent d’un biais de sélection172. À la lumière de ce qui précède,

171
Voir dans le sommaire de Hubbard et Carriquiry (2019) :
« We argue there is also needed to address the separate but related issues of relevance and
responsiveness. To address relevance, researchers must produce what decision makers need to
inform investments and public policy—that is, the probability that a claim is true, or the probability
distribution of an effect size given the data. The term responsiveness refers to the irregularity and
delay in which issues about the quality of research are brought to light. Instead of relying on the
good fortune that some motivated researchers will periodically conduct efforts to reveal potential
shortcomings of published research, we could establish a continuous quality-control process for
scientific research itself. Quality metrics could be designed through the application of this statistical
process control for the research enterprise. We argue that one quality control metric—the probability
that a research hypothesis is true—is required to address at least relevance and may also be part of
the solution for improving responsiveness and reproducibility. »Hubbard et Carriquiry(2019)

Voir Wasserstein, et al. (2019) sous le titre « Authors’ Suggestions » :

« Compute and prominently display the probability the hypothesis are true (or a probability
distribution of an effect size) or provide sufficient information for future researchers and policy
makers to compute it. » Wasserstein et al.(2019)
172
Pour plus de détails, voir sous le titre DONNÉES ET MÉTHODOLOGIE. Nous avons expliqué que la
cueillette et la disponibilité de données peuvent créer un biais de sélection dans nos résultats.
 p.14 Délestage électrique et Performance des firmes au Burundi : La taille des firmes importe-t-elle?

nous avons effectué des tests non paramétriques en guise de compléments aux tests
d’hypothèses.

Puisque nous n’avons pas trouvé d’effet intéressant des variables suivantes sur la performance,
nous les avons transformés en dummies afin d’élargir l’analyse. Il s’agit de « coup » (nombre
de coupures), « taille » ou « taillecoup » (taille des firmes) et « capacity ». En effet, sachant
que les tableaux II et III ont prouvé qu’il existait deux échantillons appariés à cause du bris dans
la densité de performance, il est possible que l’effet de nos variables se manifeste mieux au sein
des groupes. Ainsi, avant de faire les tests, nous avons lancé les régressions par les MCO. Vous
trouverez les résultats de ces estimations dans le chapitre suivant.

La première partie de cette section renvoie aux tests de comparaison des coefficients
(corrélation), des moyennes (endogénéité) et des variances (homogénéité). La seconde partie de
cette section concerne des tests d’adéquation (normalité) et d’inférence robuste
(hétéroscédasticité et facteur d’inflexion de la variance). La troisième partie de cette section
touche des tests de spécification et de validité. Cette section finit avec une conclusion résumant
les observations générales.

A.3.1. Corrélation, homogénéité et endogénéité.

Les tests suivants concernent toutes les variables. Certaines de ces variables ont montré une
corrélation par le coefficient de corrélation. D’autres semblent endogènes d’après les tableaux
II et III et l’analyse graphique (Figures 6 et 7). D’autres encore seraient hétéroscédastiques et
hétérogènes dans la variance d’après les tableaux I et III.
A.3.1.1. Calcul du coefficient de corrélation.
Ce calcul vérifie la corrélation partielle entre les variables. Différencions les coefficients de
corrélations au sens de Pearson, Spearman et Kendall. Le coefficient de Spearman décrit
simplement la relation entre les estimateurs. Le coefficient de Pearson suppose une relation
linéaire, non courbée et sans valeurs aberrantes. Ce coefficient donne une variance robuste des
résidus. Le coefficient de Kendall met en lumière l’importance de la corrélation dans les écarts-
types. Enfin, il est à noter que les coefficients de corrélation renseignent sur la symétrie de la
distribution. Regardons les résultats de nos tests de corrélation. Il est à noter qu’une forte
corrélation est supérieur à 0.30 tandis qu’une faible corrélation est inférieure à 0.20 dans nos
résultats. Le signe positif ou négatif du coefficient de corrélation montre respectivement une
relation allant dans le même sens ou en sens contraire.
 p.15 Délestage électrique et Performance des firmes au Burundi : La taille des firmes importe-t-elle?

Regardons ce qu’il en est de la capacité effective de production. Nous trouvons une forte
corrélation entre la capacité et le nombre des pannes enregistrées par les petites firmes d’une
part (ρspearman =-0.45 contre τkendall=-0.19) et la qualité de l’infrastructure et la capacité des
petites firmes d’autre part (ρspearman =-0.48 contre τkendall =-0.21). Il existe finalement une
corrélation importante entre la capacité et le carré de la taille des petites firmes (ρspearman =-0.34).
Le délestage est négativement corrélé avec la capacité effective des petites firmes. C’est encore
plus vrai pour les grandes firmes. Voici les chiffres des corrélations propres aux grandes qui le
témoignent : corrélation entre le nombre de pannes subies ainsi que leur capacité de production
(ρspearman =-0.39), entre la qualité de l’infrastructure et la capacité (ρspearman=-0.33) et entre le
carré de la taille des firmes et la capacité (ρspearman =-0.25 contre ρspearman ds_taille2 =0.24). Comme
le préconisaient Allcott et al. (2014) et Alby et al. (2013), une forte corrélation entre le délestage
et la capacité optimale de production des grandes firmes suggèrent un recours aux générateurs
de ces firmes.

Il existe une forte corrélation, d’une part entre, le nombre des coupures et le carré de la taille des
petites firmes (τkendall= 0.45) et d’autre part entre toujours ce carré et le nombre de coupures et des
grandes firmes (τkendall=-0.33). Nous avons aussi une intéressante corrélation entre les pannes
connues par les petites firmes et le carré de la taille des grandes firmes (τkendall=-0.31). Il y a aussi
une corrélation entre les pannes et le carré de la taille des grandes firmes et (τkendall = 0.33). La
fréquence des pannes est fortement corrélée avec le carré de la taille des firmes. Ce résultat invite
à la prudence de l’interprétation de l’estimateur de la pente de la qualité de l’infrastructure
électrique. Puisque cette variable est une combinaison linéaire de la taille des firmes et de la
fréquence des pannes, à la lumière du précédent résultat nous pouvons avoir un estimateur non
convergent (à variance non robuste). Les tests d’endogénéité et d’hétéroscédasticité permettront
de faire cette vérification.

La matrice de corrélation à variance robuste173 nous informe aussi sur les corrélations possibles.
Nous avons une corrélation entre cette qualité et la capacité des grandes firmes (ρpearson =-0.23).
Il y a une grande corrélation entre différentes variables chez les petites firmes surtout. Nous avons
une corrélation entre la capacité et les pannes (ρpearson =0.34), entre la capacité et la qualité de

173
Encore appelée matrice variance-covariance robuste des coefficients, cette matrice a une diagonale
principale comprenant les variances des variables et les corrélations entre les variables ailleurs dans la
matrice. Les variances y sont robustes autrement dit les plus petits possibles afin de rencontrer l’hypothèse
d’homoscédasticité.
 p.16 Délestage électrique et Performance des firmes au Burundi : La taille des firmes importe-t-elle?

l’infrastructure (ρpearson =-0.23). Dans la matrice, ces relations sont encore plus importantes pour
les firmes qui grandissent. Par exemple, nous voyons une corrélation chez les grandes firmes entre
la capacité et les coupures enregistrées d’autre part (ρpearson =0.50). Dans la matrice, des
corrélations entre d’autres variables explicatives ont pu être constatées. Nous voyons d’une part,
la corrélation entre la garantie sur emprunt et la capacité (pour les petites firmes, ρpearson=-0.11).
Le délestage affecte les ventes des grandes firmes (ρpearson=-0.15). Le volume des ventes est
corrélé avec la capacité des grandes firmes (ρpearson=-0.14). L’emprunt bancaire touche
relativement peu les ventes (ρpearson =-0.09) par rapport à l’emprunt informel (contre ρpearson=-
0.16). Quant à l’emprunt informel lui-même, il est plutôt corrélé avec l’emprunt
bancaire(ρpearson=-0.33). Sans surprise, l’emprunt informel est corrélé avec le délestage
(ρpearson=0.12) et avec la qualité de l’infrastructure électrique (pour les petites firmes ρpearson=-0.22
contre ρpearson =-0.14 pour les grandes firmes). Quelques corrélations ont aussi été observées entre
la sécurité et les autres variables. Nous pouvons parler par exemple de la corrélation entre lsales
et security (ρpearson=-0.13), entre lbank et security (ρpearson=-0.09), et entre linformel et security
(ρpearson=0.12). Tous ces résultats soutiennent les conclusions de Caselli et Feyrer (2007) et
Banerjee et Moll (2009). Les barrières à l’emprunt affectent les petites firmes selon leur taille et
les départements de la firme dans lesquels elle désinvestisse durant les pannes. Le recours à
l’emprunt informel peut aussi renseigner sur les difficultés de financement telles que décrites par
Gichuki et al. (2014); Berger et Udell (2006) et Taiwo et al. (2016). Regardons maintenant
l’homogénéité de nos variables.

Nous venons de voir que le recours aux générateurs et donc à l’emprunt informel pour s’en doter,
sont corroborés par les corrélations entre coefficients au sens de Spearman, de Kendall et de
Pearson. Dans la prochaine section, nous analysons la variance de la distribution de performance.
A.3.1.2. Test d’homogénéité (de Levene, de Brown-Forsythe et de Pitman-Morgan).
Les tests d’homogénéité sont « des tests d’égalité des variances en prouvant que les groupes ont
le même écart-type174 » se font en deux étapes. D’abord, il s’agit d’une simple analyse du ratio

174
Notre traduction. Voir StataCorp LLC. (2013), p. 2- Titre : sdtest — Variance-comparison tests. La
formule de la première partie des tests dans STATA est sdtest :
« sdtest performs tests on the equality of standard deviations (variances). In the first form, sdtest
tests that the standard deviation of varname is #. In the second form, sdtest performs the same test,
using the standard deviations of the two groups defined by groupvar. In the third form, sdtest tests
that varname1 and varname2 have the same standard deviation. »
 p.17 Délestage électrique et Performance des firmes au Burundi : La taille des firmes importe-t-elle?

des écarts-types des groupes. Ensuite vient une analyse de la robustesse de la variance dans les
groupes175. Ces tests sont effectués pour la variable expliquée dont nous étudions la distribution.

Il s’agit de tests d’homogénéité des variances. Il sert à étudier la robustesse sous la non-normalité
de la distribution. Les hypothèses des tests d’homogénéité au sens de Levene et de Brown-
Forsythe sont les suivantes. Elles représentent la première partie des tests d’homogénéité :
sd(petites firmes)
H0 : = 1 et W0 = W50 = W10 ⟺ pas de normalité et pas de robustesse des variances
sd(grandes firmes)
sd(petites firmes)
H1 : ≠ 1 et W0 ≠ W50 ≠ W10 ⟺ pas de normalité mais robustesse des variances
sd(grandes firmes)
; où W0 : variance à la moyenne, W50 : variance à la médiane et W10 : variance à la
moyenne réduite de 10%176.
Voici les hypothèses dans la seconde partie des tests d’homogénéité:
H0 : sdpetites firmes = sdgrandes firmes
H1 : sdpetites firmes ≠ sdgrandes firmes ; avec sd=écart-type
Le recours à ces tests peut aussi être justifié par les histogrammes telles que rapportées dans
l’analyse graphique. Les histogrammes mettaient en évidence des valeurs extrêmes. Les tests
d’homogénéité cherchent à valider si la différence observée entre groupes de firmes provient du
comportement des firmes ou d’une valeur extrême exclue de l’estimation. En rejetant H0, nous
acceptons la présence d’hétérogénéité des variances. Par le rejet de H0 toujours, ces tests
confirment que la distribution de la performance des firmes comprend deux groupes appariés177.
Ainsi, il faut faire une correction de Bonferroni sous hypothèse d’une seule et même variance
(malgré le bris dans la densité).

Les résultats de ces tests pour le log des pertes à partir de 10 employés montrent une statistique
F de 0.15 non-significatif (pvalue= 0.56). Sous la non-normalité, le ratio des écart-types donnerait
lieu à une variance non robuste. À partir de 10 employés toujours, les résultats du log des coûts
variables révèlent une significativité (tt-test=4.15, pvalue=0.00). Ces résultats révèlent aussi le sens

175
Notre traduction. Voir StataCorp LLC. (2013), p. 2- Titre : sdtest — Variance-comparison tests.
176
Voir StataCorp LLC. (2013)), p. 2- Titre : sdtest — Variance-comparison tests. Le formule de la seconde
partie des tests dans STATA est robvar :
« robvar reports Levene’s robust test statistic (W0) for the equality of variances between the groups
defined by groupvar and the two statistics proposed by Brown and Forsythe that replace the mean
in Levene’s formula with alternative location estimators. The first alternative (W50) replaces the
mean with the median. The second alternative replaces the mean with the 10% trimmed mean
(W10). »
177
Les groupes de firmes seront dits indépendants si l’un n’influence pas le comportement de l’autre. Ils sont
dits appariés s’ils s’influencent mutuellement étant issus d’un seul et même échantillon. Par conséquent, la
statistique significative du t-test sur la différence entre les groupes respecte l’hypothèse implicite de la
normalité. C’est pourquoi nous procédons au test de normalité plus loin dans cette recherche.
 p.18 Délestage électrique et Performance des firmes au Burundi : La taille des firmes importe-t-elle?

de l’inégalité de l’hypothèse alternative (Dpetites firmes>Dgrandes firmes) pour l’homogénéité au sens

de Levene.

C’est cette inégalité que nous vérifions justement dans la seconde partie des tests. Les tests
révèlent qu’à la moyenne se trouve une variance significative (W0=4.85) uniquement pour le
log des pertes. À la médiane, la variance est non-significative. Une fois la médiane dépassée, le
test est de nouveau significatif (W10=4.03) pour les deux indicateurs de performance. Les
variances sont clairement différentes de 10 à 20 employés pour le log des pertes. À partir du
21ième employé, ce sont les statistiques à la moyenne et à la médiane qui deviennent
significatives. À l’inverse, seule la statistique au-delà de la médiane est significative pour le log
des coûts variables. Par conséquent, cette information a un impact sur le calcul des t-test(s). Des
variances différentes questionnent la solidité des résultats du t-test.

D’après le t-test, nous nous attendons à voir des variances des groupes qui sont égales afin que la
distribution de la performance des firmes suive une loi normale. Avec une telle loi, il est
recommandé d’utiliser le test de Levene178. Nous avons utilisé le test de Pitman-Morgan pour
vérifier cette égalité de variances des groupes et pour comparer avec les résultats des autres tests.
Les statistiques du test de Pitman-Morgan sont significatives pour le log des pertes et pour les coûts
variables. Nous pouvons donc rejeter H0. Les variances par groupes sont égales. Grâce à ce résultat,
nous verrons si le recours aux groupes est requis.

Dans cette section, nous avons vu qu’à 21 employés, les écarts-types étaient très différents pour les
deux indicateurs de performance. Les tableaux II et III avaient suggéré un bris dans la densité de
croissance de la performance des firmes autour de ce nombre d’employés. Dans tous les cas, les
résultats des tests d’homogénéité rejoignent les conclusions des coefficients de corrélation.
L’existence de groupes de firmes est confirmée pour justifier les dummies associés à ces groupes
dans nos futures régressions. Regardons maintenant l’endogénéité de nos variables.
A.3.1.3. Test d’endogénéité (d'Hausman).
Voici les hypothèses du test de Hausman.:
𝐻0: 𝑀𝑜𝑑è𝑙𝑒 𝑠𝑎𝑛𝑠 𝑙𝑒 𝑐𝑎𝑟𝑟é 𝑑𝑒 𝑙𝑎 𝑡𝑎𝑖𝑙𝑙𝑒 𝑑𝑒𝑠 𝑓𝑖𝑟𝑚𝑒𝑠 ; 𝐻1 : 𝑀𝑜𝑑è𝑙𝑒 𝑎𝑣𝑒𝑐 𝑙𝑒 𝑐𝑎𝑟𝑟é 𝑑𝑒 𝑙𝑎 𝑡𝑎𝑖𝑙𝑙𝑒 𝑑𝑒𝑠 𝑓𝑖𝑟𝑚𝑒𝑠
Dans notre cas, nous voulons savoir si l’inclusion du carré de la taille des firmes est requise. En
effet, rappelons qu’il est établi que le délestage affecte la performance des firmes. Il reste à

178
On peut rajouter à ces tests le test de Brown-Forsythe pour comparer les médianes.
 p.19 Délestage électrique et Performance des firmes au Burundi : La taille des firmes importe-t-elle?

démontrer qu’il existe un bris dans la densité de croissance des firmes autour duquel celles-ci
changent de comportement. Notre test nous permet de choisir l’usage du modèle (2) ou (3).

Sous l’hypothèse nulle, nous avons un coefficient consistant sans inclusion du carré de la taille des
firmes. Nous trouvons une valeur-p de la chi-carré179 non-significative. Nous pouvons rejeter H0 et
oublier le modèle (3). Toutefois, en incluant le carré de la taille des firmes, nous obtenons une
inconsistance du modèle (4). Ce test nous apprend qu’il n’est pas nécessaire d’inclure de dummies.
Ainsi, l’équation (2) suffira amplement à capter l’effet du délestage sur la performance. Cette
équation sera consistante comparativement aux deux autres (équations (1) et (3)). Nous pouvons
ainsi répondre à l’une de nos questions de recherche grâce à ce test : le délestage ne semble pas
affecter différemment les firmes burundaises.

Nous sommes allés plus loin en vérifiant si l’usage des dummies du carré de la taille des firmes
était recommandé, autant que l’était le carré de cette taille lui-même. Par exemple, pour l’équation
(4) avec la qualité de l’infrastructure électrique, l’inclusion du carré de la taille n’était pas
nécessaire selon Hausman. À toutes tailles de la firme (petite ou grande taille), le test de Hausman
est significatif pour l’usage du modèle (4).

Nous pouvons conclure que l’effet du délestage est ressenti uniformément par les firmes.
Cependant, lorsque nous regardons la qualité de l’infrastructure électrique, nous verrons que le
délestage affecte davantage les petites firmes que les grandes. Il revient à dire que si les pannes
électriques augmentent à force que la taille des firmes augmente, alors pour rester performantes,
les firmes s’adaptent au délestage différemment. Ce résultat confirme la conclusion de Moyo
(2013). Du point de vue des firmes, il semble que le nombre des pannes est de plus en plus
dommageable pour la performance à force que la firme croisse. La qualité de l’infrastructure est
mieux captée par les dummies car elle est différemment connue selon la taille et l’expérience-
délestage de la firme. Enfin, la qualité de l’infrastructure de la firme définit la performance de la
firme. Les équations (2) et (4) sont donc mieux adaptées à notre recherche. La première montrera
l’effet du délestage sur les firmes burundaises. La dernière rapportera l’effet de la qualité de
l’infrastructure électrique sur la performance des firmes. D’ailleurs, le tableau II du test de
discontinuité de McCrary (2008) appuie cette conclusion. À partir de 23 employés, le délestage
connait une différence plus grande et plus significative de 1.26 (pvalue : 0.39). Lee et Lemieux

179
Le test d’Hausman suit une loi chi-carrée.
 p.20 Délestage électrique et Performance des firmes au Burundi : La taille des firmes importe-t-elle?

(2010) expliquent cette observation par une auto-sélection qui crée une discontinuité de la variable
étudiée.

Dans cette section, nous apprenons que la qualité de l’infrastructure électrique détermine la
performance des firmes. Nous avons aussi compris que le carré de la taille des firmes ne
conditionnait pas la performance et que nous pouvions ignorer d’estimer les équations y associées.
Avec un bris dans la densité de performance révélé par les tests d’homogénéité et les groupes de
firmes (petites contre grandes firmes), les paragraphes précédents nous ont permis de retenir des
régresseurs pertinents. Néanmoins, une analyse encore plus approfondie de la variance permet de
mieux cerner les propriétés de la distribution de la performance des firmes burundaises. La
prochaine section est consacrée à cette analyse.

A.3.2. Normalité, hétéroscédasticité et multi-colinéarité.

Nous voulons utiliser les MCO et effectuer une régression linéaire pour estimer nos modèles. Par
conséquent, il faut tester la normalité implicite (avec le test de Jarque Bera), et l'hétéroscédasticité
des estimateurs (avec le test de White et Breusch-Pagan). Les tests d’homogénéité que nous
venons de faire plus haut avaient suggéré le test de l’hypothèse de normalité. Puisque nous
venons de vérifier la corrélation entre régresseurs et conclu sur une endogénéité, étudions la multi-
colinéarité de ceux-ci (avec le facteur d’inflexion de la variance). Cette démarche vise à parfaire
le plus possible la convergence de nos estimateurs que nous espérons asymptotiques aux
coefficients dans la population.

Nous savons que notre modèle (2) a une variable endogène une fois un certain bris dans la densité
atteint. Il s’agit de la qualité de l’infrastructure électrique. Autrement dit, de l’effet général du
délestage sur la performance des firmes, il existe un tel effet intra-firme. Au-dedans de la firme,
l’effet du délestage devient personnel et singulier une fois la firme doter d’un certain nombre
d’employés. Toutefois, l’inclusion d’une variable donnée n’est pas toujours requise pour rendre
valide nos résultats. Nous préconisons la régression linéaire par les MCO à variance robuste. De
la sorte, nous évitons un problème d’hétéroscédasticité (erreurs-types énormes). Celui-ci
invaliderait les résultats face aux grandes variations intragroupes de la qualité de l’infrastructure
électrique. Face à cette situation, la meilleure régression doit avoir des régresseurs à variance
minime. Il ne doit pas y avoir de valeurs aberrantes ni de colinéarité. Passons aux tests.
A.3.2.1. Test de normalité (de Jarque-Bera) et de corrélation.
Ce test est un test de normalité. Ce test nous dira si des valeurs aberrantes existent dans la différence
des moyennes des variables. Les hypothèses sont les suivantes :
 p.21 Délestage électrique et Performance des firmes au Burundi : La taille des firmes importe-t-elle?

𝐻0 : 𝑊 = 𝜎 2 = 1 𝑜𝑢 𝑝𝑣𝑎𝑙𝑢𝑒 = 0 ⟺ 𝑖𝑙 𝑦 𝑎 𝑑𝑒 𝑙𝑎 𝑛𝑜𝑟𝑚𝑎𝑙𝑖𝑡é
𝐻1 : 𝑊 < 1 𝑜𝑢 𝑝𝑣𝑎𝑙𝑢𝑒 < 1 ⟺ 𝑝𝑎𝑠 𝑑𝑒 𝑙𝑎 𝑛𝑜𝑟𝑚𝑎𝑙𝑖𝑡é
La normalité de Jarque-Bera est vérifiée pour toutes les variables, incluant les variables expliquées.
Nous n’attendons pas à voir de l’asymétrie dans les résultats issus du modèle (1). Or, nous savons
que l’asymétrie est observée, selon les conclusions de l’analyse graphique (densité de Kernel et
histogrammes) et le tableau III (voir les coefficients de skewness). De plus, nous le savons parce
que l’endogénéité d’Hausman suggère de travailler avec des dummies.

Lorsque nous devons utiliser les modèles (2), (3) ou (4) avec les dummies, le test de Jarque Bera
change d’hypothèses :
𝐻0 : 𝑁𝑜𝑟𝑚𝑎𝑙𝑖𝑡é 𝑑𝑒𝑠 𝑟é𝑠𝑖𝑑𝑢𝑠 𝐻1 : 𝑁𝑜𝑛 − 𝑁𝑜𝑟𝑚𝑎𝑙𝑖𝑡é 𝑑𝑒𝑠 𝑟é𝑠𝑖𝑑𝑢𝑠
L’inclusion des variables non-linéaires (carrées, cubiques ou combinaison linéaire) propose des
résidus de l’estimation par les MCO normalement distribués. D’ailleurs, nous aurons des résidus
et des variables normalement distribués peu importe le modèle choisi. Il n’y aura pas de valeurs
extrêmes incluses dans nos estimations si les variables non-linéaires sont déjà incluses. Cependant,
cette conclusion n’empêche pas d’observer l’hétéroscédasticité. Passons aux résultats de ce test.
A.3.2.2. Tests d’hétéroscédasticité (White et Breusch-Pagan).
L’analyse graphique, les tableaux I et II rapportent une asymétrie des indicateurs de performance.
Rappelons qu’il s’agit du log des pertes dues aux pannes et du log des coûts variables d’exploitation
issus au recours aux générateurs. Comme l’asymétrie viole le 4ème moment de la loi normale, nous
devons faire un test d’hétéroscédasticité. En effet, la loi normale est supposée être
homoscédastique. Par l’effet même, l’inclusion des dummies rend des résultats souffrant d’un biais
hétéroscédastique.

Le test choisi pour mesurer ce biais est celui de White. Nous savons que le test de White conclue
partiellement sur la multi-colinéarité. Il ne faudrait pas avoir un problème de singularité avec des
coefficients. Les erreurs-types extrêmement grandes ne sont pas plus souhaitables. À la suite des
conclusions des tests de White, nous retiendrons de nos estimations, les résultats à une variance
robuste. Cette contrainte vise à rendre valide nos conclusions. En plus du test de White, le test de
Breusch-Pagan (Breusch-Pagan et Cook-Weisberg) fut utilisé dans notre recherche pour mesurer
l’hétéroscédasticité. Particulièrement, ce test est adapté pour nos données avec dummies. Bien
souvent, l’hétéroscédasticité peut être provoquée par la corrélation partielle. Il s’en suit des tests
de corrélation tels que plus tôt effectués.

Voici les hypothèses des tests d’hétéroscédasticité:

𝐻0: 𝐻𝑜𝑚𝑜𝑠𝑐é𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑡é
 p.22 Délestage électrique et Performance des firmes au Burundi : La taille des firmes importe-t-elle?

𝐻1 : 𝐻é𝑡é𝑟𝑜𝑠𝑐é𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑡é ∶ 𝑇𝑒𝑠𝑡 𝑑𝑒 𝑊ℎ𝑖𝑡𝑒

𝐻0 : 𝐻𝑜𝑚𝑜𝑠𝑐é𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑡é(𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒)
𝐻1 : 𝐻é𝑡é𝑟𝑜𝑠𝑐é𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑡é(𝑣𝑎𝑟𝑖𝑎𝑛𝑐𝑒𝑠 𝑣𝑎𝑟𝑖𝑎𝑛𝑡 𝑎𝑣𝑒𝑐 𝑢𝑛𝑒 𝑜𝑢 𝑝𝑙𝑢𝑠𝑖𝑒𝑢𝑟𝑠 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠) ∶ 𝑇𝑒𝑠𝑡 𝐵𝑟𝑒𝑢𝑠𝑐ℎ − 𝑃𝑎𝑔𝑎𝑛
De façon globale, les résultats des tests pour les équations (1) et (2) sont significatifs à 5%, 10% et
1%. Cependant, l’équation (3)180 se révèle significative à 1% jusqu’au 20ième employé (pvalue=0.08)
pour le test de White. Le même constat se fait pour l’équation (4) 181. Nuançons en précisant que la
significativité était absente lorsque la performance se mesurait par le log des pertes. Cette équation
est significative à tous égards pour le test de Breusch-Pagan. Nous rejetons H0. Il n’y a pas donc
une absence d’homoscédasticité des résidus. Il y a de l’hétéroscédasticité. L’inégalité des erreurs-
types existe bel et bien. Nous savons qu’une embauche d’un certain nombre d’employés amplifie
l’effet du délestage sur la performance des firmes. L’endogénéité d’Hausman et la discontinuité de
McCrary (2008) préviennent que c’est à partir de 23 employés. Le test de White nous permet de
constater à un certain bris dans la densité (21 employés), le carré de la taille des firmes peut
influencer leur performance. Ce test propose le modèle (3), à partir du 21ième employé. Cela revient
à utiliser le modèle (5) si l’indicateur de performance est le log des pertes. Si avant cette taille de
23 employés, le modèle (1) voire (2) suffit, le modèle (4) est nettement approprié après cette taille
(dès 23 employés). Nous pouvons rejeter H0 et conclure sur la présence de l’hétéroscédasticité pour
certains modèles. Grâce à ce qui précède, nous pouvons confirmer que la performance des firmes
burundaises semble être spécifiée par le modèle (1) avant le bris et par le modèle (4) après ce bris.
Regardons maintenant le facteur d’inflexion de la variance.
A.3.2.3. Multi-colinéarité : Facteur d’inflexion de la variance et corrélation sérielle.
Par le facteur d’inflexion de la variance, nous voulons comprendre la multi-colinéarité. Les
corrélations partielles fortes de Spearman, de Kendall et de Pearson rappellent que des régresseurs
sont très liés. Ainsi, il devient très difficile de comprendre l’impact de chacun des régresseurs sur
la performance. C’est une situation qui favorise l’asymétrie et donne des estimateurs peu
efficients182. Nous avons décidé d’utiliser le facteur de tolérance. Posons les variables intolérantes

180
Rappelons que l’équation (3) inclue le carré de la taille des firmes et non l’équation (4).
181
Rappelons que l’équation (4) suggère l’inclusion de la variable qualité de l’infrastructure électrique. Cette
variable est le produit vectoriel du nombre de pannes par le nombre d’employés.
182
Notre traduction. Voir la définition de la multi-colinéarité à INVESTOPEDIA :
« Multicollinearity can lead to skewed or misleading results when a researcher or analyst attempts
to determine how well each independent variable can be used most effectively to predict or
understand the dependent variable in a statistical model. In general, multicollinearity can lead to
wider confidence intervals and less reliable probability values for the independent variables. That
is, the statistical inferences from a model with multicollinearity may not be dependable. » (Source :
https://www.investopedia.com/terms/m/multicollinearity.asp)
 p.23 Délestage électrique et Performance des firmes au Burundi : La taille des firmes importe-t-elle?

à la multi-colinéarité les variables supérieures à 0.33. Nous ne retiendrions que les variables à petite
valeur de tolérance. De ce qui précède, nous avons déjà évoqué la corrélation partielle avec les
coefficients de corrélation. Précisions que la solution à ce phénomène est l’inclusion des carrés des
variables les plus corrélées. Cette correction permet de rendre valide les résultats de nos
estimations.

Il faut se demander si la corrélation est si dommageable pour les données. Toutes les variables
corrélées n’aboutissent pas en une perte sensible de compréhension de résultats. Cependant, si une
variable touche les variables dummies, alors elle mine notre interprétation des résultats. Plutôt que
l’inclusion du carré de la variable, voici une autre solution. Pour pallier la corrélation, il faut un test
de Wald. Le test de consistance pour les MCO va permettre de compléter le test de Wald. Nous
allons savoir si une variable est à sa place, dans la régression ou non. Le fait d’observer de t stat petit
peut venir de la multi-colinéarité. Mais, le fait de régler le problème d’hétéroscédasticité peut
corriger la corrélation et la colinéarité. Le VIF va aussi aider à bien spécifier le modèle, afin de
corriger ce problème et celui de la corrélation.
𝐥𝐚𝐫𝐠𝐞 𝐥𝐚𝐫𝐠𝐞 𝐥𝐚𝐫𝐠𝐞
Voici les résultats obtenus. Sont tolérantes à la multi-colinéarité 𝐝𝐜𝐨𝐮𝐩 , 𝐝𝐜𝐚𝐩𝐚𝐜𝐢𝐭𝐲 , 𝐝𝐰𝐚𝐠𝐞 , lsales et
taille pour le log des pertes sans inclusion du carré de la taille des firmes. Sont tolérantes toutes les
variables sauf 𝐝𝐬𝐦𝐚𝐥𝐥 𝐬𝐦𝐚𝐥𝐥
𝐜𝐚𝐩𝐚𝐜𝐢𝐭𝐲 , 𝐝𝐰𝐚𝐠𝐞 , lguaranty, lbank, linformel et security pour le log des pertes

incluant le carré de la taille. Sont intolérantes les dernières variables pour le log des pertes avec ou
sans inclusion de la qualité de l'infrastructure électrique. Pour le log des coûts additionnels
𝐥𝐚𝐫𝐠𝐞
d’exploitation issus du recours aux générateurs, quelques variables sortent tolérantes: 𝐝𝐜𝐚𝐩𝐚𝐜𝐢𝐭𝐲 ,
𝐥𝐚𝐫𝐠𝐞 𝐥𝐚𝐫𝐠𝐞
𝐝𝐰𝐚𝐠𝐞 , lsales et taille. L'inclusion du carré de la taille des firmes rapporte la tolérance de 𝐝𝐜𝐨𝐮𝐩 ,
𝐥𝐚𝐫𝐠𝐞 𝐥𝐚𝐫𝐠𝐞 𝐥𝐚𝐫𝐠𝐞
𝐝𝐬𝐦𝐚𝐥𝐥
𝐭𝐚𝐢𝐥𝐥𝐞𝐜𝐨𝐮𝐩 , 𝐝𝐭𝐚𝐢𝐥𝐥𝐞𝐜𝐨𝐮𝐩 , 𝐝𝐜𝐚𝐩𝐚𝐜𝐢𝐭𝐲 , 𝐝𝐰𝐚𝐠𝐞 et lsales. Enfin, de ces dernières variables se rajoute la

variable « taille » comme variable tolérante à lcvariable incluant taillecoup. De façon générale,
l’effet de l’emprunt des firmes (lguaranty, lbank, linformel et security) sur la performance
aboutit en une multi-colinéarité. Les valeurs de ces variables largement supérieures à notre cible
(0.33) proposent de les abandonner. Cependant, l’inclusion du carré de la taille des firmes ou de la
capacité optimale de production peut fixer la multi-colinéarité de ces variables. Dans la section
suivante, le test de Wald nous éclairera davantage sur la stratégie à adopter. De plus, nous saurons
si nous pouvons corriger par Bonferroni les modèles choisis.
 p.24 Délestage électrique et Performance des firmes au Burundi : La taille des firmes importe-t-elle?

Dans cette section, nous avons vu de façon générale que nos variables indépendantes sont
confrontées à un problème d’asymétrie. Pour le régler, il nous faut exclure les valeurs aberrantes
de nos estimations ainsi que les variables colinéaires. Le test de normalité rassure sur la normalité
des résidus si nous incluons la qualité de l’infrastructure électrique dans les équations. Cependant,
nous devons accepter l’hétéroscédasticité plutôt que la colinéarité, afin d’éviter des estimateurs non
efficients et non convergents. D’après ces conclusions et celles des tests de la première section de
tests non-paramétriques sur l’inclusion des dummies, nous savons que les modèles (2) et (4) sont
recommandés. Dans la prochaine section, nous allons vérifier si ces modèles sont bien spécifiés.

A.3.3. Sélection, consistance et correction du modèle.

Cette section vise à confirmer si nos modèles sont valides et sans biais avec une variance robuste.
Nous pourrons dire que nos modèles sont bien spécifiés si ces conditions sont remplies. En effet,
après avoir précisé l’inclusion des variables d’intérêt à mettre dans nos modèles, nous y avons exclu
les valeurs extrêmes et les variables intolérantes. Tous nos modèles ont fait l’objet du test de Ramsey
pour vérifier s’il y a des variables omises. Ils ont fait l’objet de la correction de Bonferroni afin
d’éviter la sur-identification des modèles. Nous avons enfin vérifié la consistance et les critères de
sélection des modèles appropriés.
A.3.3.1. Critères de sélection : AIC et BIC.
Nous avons pris les critères traditionnels de sélection : Akaike (AIC) et Baysan (BIC). Encore une
fois, nous comparons les modèles (2) et (3) d’une part et les modèles (4) et (5), d’autre part. Quelques
constats vont dans le sens des conclusions de l’hétéroscédasticité de White. Les deux critères de
sélection se rejoignent en proposant le modèle (2) sans inclusion de carré de la taille des firmes183.
Pour les modèles (4) et (5), ces critères nous laissent le choix184. D’après ces critères, nous devrions
inclure les dummies dans nos estimations. Dans le paragraphe qui suit, regardons si nos équations
seraient consistantes et bien identifiées.
A.3.3.2. Tests de Consistance (testparm) et de sur-identification (Ramsey).
Vérifions maintenant la consistance des MCO pour lesquels les hypothèses sont les suivantes :
𝐻0 : 𝑝 = 0 ↔ 𝑙𝑒𝑠 𝑐𝑜𝑒𝑓𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑠 𝑠𝑜𝑛𝑡 𝑐𝑜𝑛𝑗𝑜𝑖𝑛𝑡𝑒𝑚𝑒𝑛𝑡 é𝑔𝑎𝑢𝑥 à 𝑧é𝑟𝑜
𝐻1 : 𝑝 > 0 ↔ 𝑙𝑒𝑠 𝑐𝑜𝑒𝑓𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑠 𝑠𝑜𝑛𝑡 𝑑𝑖𝑓𝑓é𝑟𝑒𝑛𝑡𝑠

183
Pour le log des pertes, nous avons AIC variant à 452.57 à 455.68 et BIC allant de 482.17 à 485.28 toutes
tailles des firmes confondues. Pour le log des coûts, AIC varie entre 137.87 et 139.57 et BIC entre 170.07 et
171.78.
184
Ils sont égaux et fixes à 451.75 et 138.20 pour AIC contre 481.35 et 170.41 pour BIC jusqu’à 20 employés
respectivement pour le log des pertes pour le log des coûts.
 p.25 Délestage électrique et Performance des firmes au Burundi : La taille des firmes importe-t-elle?

Tout au long des paliers, les MCO semblent être consistants puisque 0≤pvalue ≤0.02. Ainsi, toutes les
variables des estimations185 ont une interaction statistiquement significative sur la performance.
Nous rejetons H0. Ce test contredit plus ou moins le facteur d’inflexion de la variable. Tandis que ce
facteur excluait des variables intolérantes, elles s’avèrent consistantes, même une fois incluses. Pour
garder valides nos conclusions finales, la multi-colinéarité l’emporte sur la consistance.

Pour conclure sur la sélection du modèle, regardons les conclusions du test de Ramsey. Toutes les
estimations confondues (avec ou sans les variables non-linéaires) se rejoignent. Ce test est
significatif partout sans égard de la taille de la firme. Voici les hypothèses confirmées :

𝐻0 : 𝑝 = 0 ↔ 𝑚𝑜𝑑è𝑙𝑒 𝑏𝑖𝑒𝑛 𝑠𝑝é𝑐𝑖𝑓𝑖é

𝐻1 : 𝑝 > 0 ↔ 𝑚𝑜𝑑è𝑙𝑒 𝑚𝑎𝑙 𝑠𝑝é𝑐𝑖𝑓𝑖é
De là, nous rejetons H0. Avec l’inclusion du carré de la taille des firmes et/ou de la qualité de
l’infrastructure électrique dans nos régressions, nos modèles seraient mal spécifiés. Peut-être est-
ce la raison pour laquelle le facteur d’inflexion nous recommande d’en exclure certaines et
d’utiliser le carré des autres. Tel qu’introduit plus haut, la solution à la multi-colinéarité peut
dépendre du test de Wald. Dans la section suivante, nous proposons une correction de Bonferroni.
A.3.3.3. Test de Wald et correction de Bonferroni.
Dans une régression linéaire multiple (avec plusieurs régresseurs), nous avons besoin de
coefficients consistants (à variance robuste). Korn et Graubard (1990) indiquent que le test de Wald
sert à s’assurer de cette consistance de la matrice variance-covariance des coefficients186. Le test
de Wald est d’ailleurs meilleur pour de petites bases de données de plus ou moins 100 observations.
La correction de Bonferroni est particulièrement recommandée après un test de Wald afin de
confirmer la significativité des coefficients (ou des différences entre coefficients). Cependant,
Wasserstein, et al. (2019) invitent le chercheur à se questionner sur la pertinence d’un tel test. Au-
delà de cette correction, nous avons effectué différents tests paramétriques et non paramétriques
pour nous assurer que nos coefficients seront à la fois convergents et efficients. Grâce à tous ces
tests, commettre l’erreur de garder une variable dans la régression qui autrement devrait être exclue
est peu probable. De plus, tous les autres tests précédents ont permis d’analyser autant la variance
des estimateurs que celui des résidus. La correction de Bonferroni diminue la probabilité de
conclure que les fortes corrélations plutôt observées soient en fait nulles dans la population des

185
Avec ou sans inclusion des carrés de certaines de celles-ci.
186
Voir Korn et Graubard (1990), p. 270.
 p.26 Délestage électrique et Performance des firmes au Burundi : La taille des firmes importe-t-elle?

firmes. La correction de Bonferroni est adaptée dans notre cas où nous craignons d’avoir un biais
de sélection187.

La correction de Bonferroni est faite en post-hoc et des tests de Wald. Les valeurs-p sont
récurrentes. Elles proposent cette correction à 1 dans le sens de l’inégalité du test de Wald. Cette
correction est indispensable pour certaines variables. Notre quête originelle est de statuer sur la
pertinence de l’inclusion ou non des dummies. Dans le premier cas, nos données transversales
suffisent à mesurer l’effet du délestage par le modèle (1). Dans le second cas, les autres modèles
doivent intervenir.

Une correction de Bonferroni est requise s’il est établi que les dummies (ou groupes) par taille des
firmes sont nécessaires. Après une ANOVA, il y a une relation unidirectionnelle entre la
performance et les groupes de variables de contrôle188. Voici les hypothèses :
𝐻0 : 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑛𝑐𝑒 𝑒𝑛𝑡𝑟𝑒 − 𝑔𝑟𝑜𝑢𝑝𝑒𝑠 𝑒𝑠𝑡 𝑝𝑎𝑟𝑡𝑖𝑒𝑙𝑙𝑒 ∗
𝐻1 : 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑛𝑐𝑒 𝑒𝑛𝑡𝑟𝑒 − 𝑔𝑟𝑜𝑢𝑝𝑒 𝑒𝑠𝑡 𝑑𝑖𝑓𝑓é𝑟𝑒𝑛𝑡𝑒
*la variance entre-groupes est dite partielle lorsqu’elle ne représente qu’un écart qui se dissipe en modifiant l’échantillon

En cas de significativité, H0 est rejetée. Sous la corrélation de Bonferroni, nous redéfinissons les
hypothèses de la sorte :
𝐻0 : à 𝑡𝑒𝑟𝑚𝑒𝑠, 𝑙𝑎 𝑑𝑖𝑓𝑓é𝑟𝑒𝑛𝑐𝑒 𝑒𝑛𝑡𝑟𝑒 − 𝑔𝑟𝑜𝑢𝑝𝑒𝑠 𝑛′ 𝑖𝑛𝑓𝑙𝑢𝑒𝑛𝑐𝑒 𝑝𝑎𝑠 𝑙𝑎 𝑝𝑒𝑟𝑓𝑜𝑟𝑚𝑎𝑛𝑐𝑒
𝐻1 : à 𝑡𝑒𝑟𝑚𝑒𝑠, 𝑙𝑎 𝑑𝑖𝑓𝑓é𝑟𝑒𝑛𝑐𝑒 𝑒𝑛𝑡𝑟𝑒 − 𝑔𝑟𝑜𝑢𝑝𝑒𝑠 𝑖𝑛𝑓𝑙𝑢𝑒𝑛𝑐𝑒 𝑙𝑎 𝑝𝑒𝑟𝑓𝑜𝑟𝑚𝑎𝑛𝑐𝑒
Si significativité, H0 est rejetée. La différence entre groupes de firmes n‘est pas soutenue à termes
en cas d’augmentation de l’échantillon, par exemple. Selon la correction de Bonferroni, une pvalue
≥ 0.025 (=0.05÷2) montre une comparaison inter-groupes. Tous nos résultats seront valides au
pvalue≤0.025, pour éviter l’erreur-type II189. Pour le log des pertes, nous avons une statistique F
non significative sous le modèle (1) pour avec pvalue >0.435 (=0.87÷2). Nous ne pouvons pas
rejeter H0 et exclure les dummies. La correction est recommandée pour éviter de rejeter H0 si
l’hypothèse est vraie. Le modèle (2) et par conséquent les autres modèles avec dummies sortent
avec une statistique significative (avec pvalue = 0.00). La significativité est selon les standards de
5%, 10% et 1%. Nous rejetons H0. L’effet du délestage sur la performance au travers les groupes
(dummies) resterait à terme si notre échantillon changeait.

Dans la prochaine section, nous revenons sur le tableau III. Nous allons les interpréter grâce aux
tests étudiés précédemment. Avant, résumons notre étude de tests.

187
Voir section DONNÉES ET MÉTHODOLOGIE de ce chapitre.
188
Les variables de contrôle pertinentes sont : pannes, taille des firmes, qualité de l’infrastructure électrique
et capacité.
189
Rejet de H0 alors que H0 est vraie.
 p.27 Délestage électrique et Performance des firmes au Burundi : La taille des firmes importe-t-elle?

A.3.4. Conclusion.
Tous nos tests montrent que les firmes ressentent différemment l’effet du délestage. Les tests
encouragent l’usage des dummies dans nos estimations. La correction de Bonferroni montre que
l’effet du délestage sur la performance au travers les groupes (dummies) resterait à terme si notre
échantillon changeait. Il se peut que nous ayons un biais de sélection. Pareillement, l’homogénéité
de Levene et celle de Pitman-Morgan corroborent la nécessité des dummies. Ces tests ont révélé
une variance inégale sur la densité de nos variables. Selon la normalité de Jarque-Bera, les résidus
de nos estimations seront normaux si l’inclusion des variables non-linéaires est faite. Nos
variables sont consistantes au sens du testparm. Cependant, toutes les variables d’intérêt ciblées
par la littérature ne furent pas retenues par les tests. Le facteur d’inflexion de la variance (VIF)
recommande d’exclure certaines variables et utiliser le carré d'autres. La sur-identification de
Ramsey va dans le même sens.

De l’endogénéité d'Hausman, nous retenons un possible bris dans la densité à partir de 23

employés. Ce test postule que l’inclusion de la qualité de l'infrastructure électrique provoquerait
ce bris dans la densité. De l’hétéroscédasticité de White, nous avons repéré un autre bris dans la
densité potentiel à partir de 21 employés. Cette fois-ci, c’est l’inclusion du carré de la taille des
firmes qui en est la cause. Ainsi, avant 21 employés, il nous faut prendre le modèle (1) ou (2).
Les critères de sélection AIC et BIC vont plus loin en proposant le modèle (2). Autour de 21-22
employés, il faudrait prendre le modèle (3) ou (5). L’hétéroscédasticité de Breusch-Pagan nous
laisse ce choix. À partir de 23 employés, il faudrait prendre le modèle (4), d’après l’endogénéité
d’Hausman. Vérifions si effectivement, le(s) bris dans la densité(s) observé(s) existent.

A.4 Intercept
Un intercept se définit simplement comme une coordonnée à l’origine. En ce point, l’une des
coordonnées est nulle parce que la courbe croise une droite de coordonnées. L’ordonnée à
l’origine (ou y-intercept en anglais) sert donc à capturer l’hétérogénéité non observée dans les
variables explicatives. S’il demeure une quelconque autre variable explicative à priori non
observable, alors l’intercept la représentera. Dans l’exposé, l’intercept référera à l’abscisse à
l’origine.

L’abscisse à l’origine (ou x-intercept en anglais) est dans notre cas où la performance s’annule
ou s’ajuste. Nous avons besoin de connaître ces points intercepts pour trois raisons principales.
Premièrement, ces intercepts fixent le point de fin d’exercice pour les firmes dont la performance
s’annule pour devenir négative. C’est peut-être le cas lorsque des pertes de ventes non écoulées
 p.28 Délestage électrique et Performance des firmes au Burundi : La taille des firmes importe-t-elle?

sont importantes durant le délestage. Deuxièmement, les intercepts montrent un bris dans la
densité de performance que ne franchiront pas certaines firmes. Par manque de générateurs
électriques par exemple, une partie des firmes burundaises ne grandissent plus. Troisièmement,
les intercepts aident à identifier les variables qui annulent la performance. Nous verrons que les
coûts variables dénotent un tel intercept attribuable à l’impact de la qualité de l’infrastructure
électrique.